跳到正文

算法、任务与模态

Uncertainty 最新动态

Uncertainty 研究索引；按可核对的标签归档，不以热度评价质量。

363 条精选近 30 天 100 条共收录 421 条

更新

精选归档 · 第 19 页

1月1日周日第 361–363 条
  1. OpenReview · EEG74

    ErpICASSO：用于 EEG 事件相关分析中独立成分可靠性估计的工具

    基于摘要分析。该研究针对 EEG 事件相关分析中独立成分数量及其可靠性难以确定的问题，提出 ErpICASSO：在 ICASSO 基础上面向试次（epochs）进行改造，结合试次间 bootstrap 重采样与 CCA 投影，估计潜在源的数量，并为提取出的 ERP 成分提供质量指标。 技术机制方面，研究关注体积传导混合下脑源与非脑源信号的分离，重点不是单次 ICA 分解的输出，而是将试次间变异纳入成分可靠性评估。摘要明确列出了重采样和投影机制，但未给出 CCA 投影的具体对象、质量指标公式、源数选择准则及置信区间构造方式，这些细节尚未验证。 作者在 14 名观看不愉快及中性图片的被试所记录的 ERP 上应用该方法。作者报告识别出四个主要 ERP 独立源，并依据 ErpICASSO 估计的置信区间比较中性与不愉快条件下的成分；这些成分与不同系统的关联在摘要中仅属推定，不能据此认定其生理来源。摘要未提供可靠性或条件差异的定量指标，也未明确结果是在单被试、组水平或何种数据划分下获得。 该方法直接涉及 EEG/ERP 成分分析，但所给材料不构成在线 BCI 或解码性能改善的证据。复现需进一步核对预处理、ICA 配置、试次重采样流程、成分匹配方式及置信区间的解释边界；实验协议、消融及统计信息尚未验证，代码可用性亦未由材料确认。

    阅读价值：值得关注其将试次间变异纳入 ERP 独立成分可靠性估计的具体机制，但源数估计、质量指标与置信区间的统计有效性仍需结合全文核对。

1月1日周六
  1. OpenReview · EEG73

    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。

    阅读价值：该研究将标签错误与缺失显式纳入动态分类模型，值得关注其 Ordered Probit 与 EKF 的结合如何支持 EEG 顺序预测，但鲁棒性幅度及适用条件仍需全文核对。

1月1日周四
  1. OpenReview · EEG73

    使用 Sequential Monte Carlo 采样的脑机接口系统自适应分类

    基于摘要分析。本文研究 BCI 系统中 EEG 信号的在线序贯自适应分类，重点是在非线性、非高斯模型下推断和预测目标标签，并处理标签缺失或错误带来的不确定性。核心贡献是基于 Sequential Monte Carlo 采样提出两种标签不确定性处理算法。 方法上，作者扩展了 Andrieu 等人于 2001 年提出的序贯贝叶斯半参数二分类方法，使其适用于 BCI。第一种算法引入辅助标签，以处理标签的不确定性；第二种算法修改最优提议函数，使其能够容纳不确定标签。两条路径分别从标签变量与采样提议机制入手，但具体概率模型、标签错误假设、采样权重更新及在线适应流程尚未验证，不能仅凭摘要确定其实现细节。 作者提出，这些算法也可推广到其他需要在不确定性条件下序贯填补缺失标签的应用领域；这一适用性主张不等同于已经得到跨领域实验验证。摘要未提供具体 BCI 任务、EEG 特征、数据集、被试数、被试内或跨被试划分、对照基线及定量结果，因此目前无法判断两种算法相对于基础方法的性能提升、稳健性或计算开销。 复现时需核对完整模型设定、缺失与错误标签的构造或采集方式、标签可用时序、粒子数与重采样策略，以及在线预测的评估协议。实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的具体原因是其将在线 EEG 分类中的缺失与错误标签显式纳入序贯推断，并给出辅助标签与修改提议分布两条处理路径，但实际性能与复现条件尚未验证。