让我改变主意：面向脑–AI 接口的决策相关自适应

基于摘要分析。研究关注自适应 BCI 中用户目标改变与信号记录状态改变的混淆，提出决策相关识别框架：只辨别会导致不同动作的潜在变化，并保留仍然有效的证据，而非恢复全部潜在状态或重新学习整个接口。 理论上，作者在有限、分段平稳模型中刻画无需分别识别目标和记录状态仍可可靠选择动作的条件，推导给定可复用证据时额外诊断投入的下界，并提出序列感知探测与选择性重置策略。其主导阶最优性限定于满足明确分离与稳定性假设的稳定区段；假设形式及证明细节尚未验证。 作者报告，主实验纳入两个站点的96名健康成人，涉及两项 EEG 任务及八周内六次会话，独立操纵私有目标变化、记录偏移与 AI 先验对齐。在90%执行覆盖率下，相较冻结解码器，常规在线自适应将记录偏移错误率从23.8%降至11.9%，却将目标变化错误率从10.4%升至22.6%；这一方向反转在两种先验对齐分层内均存在。 相较经验证集选择、具备变化检测和完整重校准的成本感知决策类别检验基线，作者报告所提策略将目标变化错误率从11.3%降至5.8%，配对降低5.5个百分点（被试 bootstrap 95% CI：3.8–7.2），并将联合变化错误率从15.4%降至8.1%。计入校准、探测、确认和纠错后，正确指令吞吐量从每分钟8.1条增至9.4条。在匹配错误率与覆盖率时，全状态信息增益策略需要1.7倍诊断注意投入；将选择性重置替换为全局重置后，目标变化错误率升至9.4%。 作者另报告，在24名参与者的留出 EEG 站点及32名参与者的独立眼动控制队列中，采用相同查询与重置规则、配合接口特定观测模型，分别复现5.1和4.6个百分点的错误率降低；摘要未明确这两个差值对应的错误类别与具体对照，不能直接与主实验合并比较。眼动队列提供的是跨接口验证，不是额外 EEG 证据。 复现需核对两项 EEG 任务、目标变化的操作化与真值获取、执行覆盖率及错误率分母、留出站点的数据隔离、基线选择流程和诊断成本定义。实验协议、完整消融及统计信息尚未验证；健康成人结果不能直接外推至临床 BCI 用户。