运动想象脑机接口的不确定性量化：机器学习 vs 深度学习
机器学习
2025-07-17 v2
摘要
脑机接口（BCI）将脑信号转化为功能性输出，但并非总是准确。良好的机器学习分类器应能通过给出其分类的概率来表明对给定分类的信心程度。标准的运动想象脑机接口分类器会给出此类概率，但关于不确定性量化的研究仅限于深度学习。我们比较了使用常规空间模式（CSP-LDA）和黓几何（MDRM）的已建立脑机接口分类器，对比深度学习中的专业方法（深度集成和直接不确定性量化）以及标准卷积神经网络（CNNs）。我们发现，深度学习中常见的过度自信问题在CSP-LDA和MDRM中并不存在。我们发现MDRM存在不确定性不足的问题，这通过添加温度缩放（MDRM-T）得以解决。CSP-LDA和MDRM-T给出最佳的不确定性估计，但深度集成和标准CNN给出最佳的分类。我们展示所有模型都能够区分容易和困难的估计，从而可以通过拒绝含糊样本来提高运动想象脑机接口的准确性。
引用
@article{arxiv.2507.07511,
title = {Uncertainty Quantification for Motor Imagery BCI -- Machine Learning vs. Deep Learning},
author = {Joris Suurmeijer and Ivo Pascal de Jong and Matias Valdenegro-Toro and Andreea Ioana Sburlea},
journal= {arXiv preprint arXiv:2507.07511},
year = {2025}
}
备注
6 pages, 3 figures; fixed typos