运动想象 BCI 的不确定性量化——机器学习与深度学习的比较

基于摘要分析。本文研究运动想象 BCI 分类器输出的概率能否可靠反映预测置信度，比较传统机器学习与深度学习方法的不确定性量化能力，并考察拒绝模糊样本能否改善保留样本的分类准确性。 比较对象包括采用共空间模式的 CSP-LDA、基于黎曼几何的 MDRM、专门用于不确定性量化的 Deep Ensembles 和 Direct Uncertainty Quantification，以及标准卷积神经网络（CNN）。研究同时考察分类表现与不确定性估计，而非将分类准确性直接视为概率可靠性的替代指标。 作者报告，在本文评估条件下，深度学习中常见的过度自信问题未出现在 CSP-LDA 和 MDRM 中；MDRM 则表现为置信度偏低，加入 Temperature Scaling 后形成的 MDRM-T 改善了这一问题。作者报告，CSP-LDA 与 MDRM-T 提供了最好的不确定性估计，而 Deep Ensembles 与标准 CNN 的分类表现最好。摘要未提供具体指标、数值或统计检验，因此这些结论仅适用于文中尚待核对的实验条件，不能据此推断某类方法普遍更优。 作者还报告，所有受比较模型均能区分较容易和较困难的预测，通过拒绝模糊样本可以提高运动想象 BCI 的准确性。解读这一结果时需同时核对拒绝比例与保留样本的 Accuracy，不能将拒识后的提升直接等同于全部输入上的性能提升。 数据集、被试数量、被试内或跨被试等划分协议、概率校准所用数据、不确定性评价指标、拒识阈值及其选择方式均未在摘要中说明；实验协议、消融及统计信息尚未验证。复现时应重点核对校准与测试的划分，以及不同方法在相同保留样本比例下的分类表现。