脑机百科消息(bciwiki.com)，Ulster University研究人员在回声状态网络中加入一个显式的决策置信度读出神经元，使模型在分类判断形成过程中持续输出置信度，并在基于脑电的运动想象分类任务中显示，置信度活动能够区分正确与错误的决策。相关论文以预印本形式于2026年9月4日上传至bioRxiv，尚未经同行评审。
回声状态网络是一类借鉴神经系统结构的高效计算框架，适合处理时间序列数据，但其决策置信度通常只能以有限的方式量化。研究团队提出的置信度读出神经元以决策读出层的输出作为训练依据，可在决策形成的全过程中持续监控置信度，而不只在最终给出一个分类结果。
在模拟决策任务中，置信度活动随刺激强度增加而升高，即越容易区分的刺激对应越高的置信度。在基于脑电的运动想象分类中，置信度活动随决策准确率升高，并能区分正确与错误的决策，这一效果在分类表现较好的受试者中尤为明显。作者认为这类似于人类的元认知。
作者表示，该方法可实现对决策置信度的持续监控，有助于提升回声状态网络决策的可信度，尤其适用于生物医学应用。论文作者包括Lemoine, E.、Lenfesty, B.、Mudavath, U. K. N.、Bhattacharyya, S.和Wong-Lin, K.。