从置信到审慎：面向跨会话运动想象脑机接口的共形门控

基于摘要分析。研究针对跨会话 EEG 分布变化下 MI-BCI 可能发出错误指令的问题，评估共形预测（CP）能否作为指令输出门控，并根据应用对错误指令的容忍度选择策略。其主要贡献是将可靠性表述为安全性与决策率之间的权衡，而非仅关注分类性能。 方法上，作者比较阈值型 CP（THR）、正则化自适应预测集（RAPS/RAPS-Opt）及 Chow's selective prediction，以 DeepConvNet 为基础分类器。实验采用 OpenBMI（54 名被试、2 分类）与 BCI Competition IV Dataset 2a（BCIC IV-2a，9 名被试、4 分类），设置五种按时间顺序划分的条件，考察与目标会话匹配程度逐步提高的校准数据来源。评估指标包括决策率、错误决策率（wrong-decisive rate）、经验覆盖率、F0.5 及风险加权效用 U(λ)。这些指标不能直接替换为 Accuracy；错误决策率的分母及具体计算定义仍需全文核对。 作者报告，在摘要所述跨会话评估中，未门控分类器的错误决策率在 OpenBMI 和 BCIC IV-2a 上分别为 37.5% 和 35.5%；采用 THR 与 RAPS 后，两数据集上的该指标分别降至 9–16% 和 6–8%。摘要未明确这些范围对应的具体划分、校准配置及决策率，因此尚不能判断其代价或确定最优策略。所给显著性文本在“all pHolm”处截断，无法核实统计结论。 关键验证点是：跨会话条件下不能假定可交换性，因此不能将经验覆盖率直接解释为仍具理论保证的覆盖率；同时需联合考察拒绝输出带来的决策率变化。具体门控规则、校准样本量、各时间划分的数据使用边界、风险权重设置、消融及统计信息尚未验证，复现实现条件也需查阅全文确认。