EEG-Fusion框架提升无源脑电解码鲁棒性并降低崩溃风险
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载跨被试解码痛点与方案
跨被试运动想象脑电信号解码在无源部署场景下面临严重问题：即便平均表现尚可，在被试偏移下解码器也会变成过度自信的近单类预测器。由于目标用户标签在适应与专家选择阶段不可用，传统方法难以应对。EEG-Fusion框架将无源解码视为对异构专家的无标签可靠性估计，采用基于失效信息的决策级融合机制。它先进行逐被试欧几里得对齐与仅归一化的测试时适应，随后利用可靠性门控将目标被试路由至不同特征专家。
门控机制与评估指标
可靠性门控在源数据留出折上训练，通过无标签流诊断来预测专家表现与崩溃风险。门控使用的诊断特征包括置信度、熵、预测多样性、专家一致性及预测类别平衡度；崩溃程度则用最大预测类别分数来衡量。在九折留一被试评估中，以无对齐的原始EEGNet无源锚点为基线，EEG-Fusion在BCI IV-2a本地协议上将被试宏F1从0.417提至0.529，在BNCI2014-001上从0.314提至0.482，在BNCI2014-004上从0.607提至0.708。对应崩溃指数分别下降0.199、0.227与0.169。
外部验证与会议接收
除了上述三个数据集的内部评估，EEG-Fusion还在包含9名被试的Cho2017外部子集上进行了验证，将被试宏F1从0.516提升至0.630。这些实验结果表明，无标签可靠性估计能有效减少无源运动想象脑电部署中的被试级失效模式。该研究由Abdul Basit等人完成，已提交至arXiv（编号2609.33962），并被IEEE-EMBS BHI 2026会议正式接收。
为什么值得看
解决脑机接口跨被试无源部署中的模型崩溃痛点，显著提升宏F1并降低崩溃风险，对BCI实际应用极具价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。