自适应 Ordered Probit 模型的贝叶斯推断：在 BCI 中的应用

基于摘要分析。本文针对 BCI 中标签可能缺失或出错的自适应顺序分类问题，提出结合 Ordered Probit 模型与 Extended Kalman Filter（EKF，扩展卡尔曼滤波）的动态分类算法，在非线性、非高斯模型下推断并预测目标标签。 核心机制是将观测标签视为潜在真实标签的带噪观测，潜在标签支持两个及以上类别，以此处理标注不确定性；EKF 随时间顺序估计 Ordered Probit 模型的参数。其方法特点在于同时考虑标签观测噪声和模型参数的动态更新，而非直接将观测标签视为可靠监督。摘要未给出具体噪声分布、缺失标签的推断步骤及参数更新公式，这些细节尚未验证。 作者报告，方法在标签噪声与传感器噪声存在时具有鲁棒性，并使用合成数据及真实实验 EEG 信号进行评估，BCI 分类设置涵盖 2、3、4 类标签。摘要未提供具体任务、数据集名称、被试数、数据划分、对照基线或性能指标，因此尚不能判断鲁棒性的改善幅度，也不能确定其被试内、跨被试或跨会话适用性。 复现时需从全文核对 Ordered Probit 的类别编码与阈值设定、EKF 初始化及噪声设定，以及标签缺失和错误的实验构造方式。实验协议、消融及统计信息尚未验证；摘要中的顺序参数更新也不等同于已验证的在线闭环 BCI 效果。