脑机百科消息(bciwiki.com)，据《Journal of Neural Engineering》2026年9月25日发表的研究，运动想象脑机接口（brain-computer interface，BCI）在面对训练中未见过的动作类别时，往往难以通过模型不确定性将其识别出来。研究考察的是分布外（OOD）检测，即识别并拒绝不属于训练类别的输入，而不是让分类器在已知类别中作出猜测。
研究采用留一类别（Leave-One-Class-Out）设置：用部分动作类别训练模型，再观察能否依据不确定性的上升，识别被留出的陌生动作类别。研究测试了7种不同的OOD检测方法，以及另1种被认为能够提升OOD检测质量的方法。
结果显示，对许多BCI用户而言，熟悉的分布内类别所对应的模型不确定性，仍可能高于分布外类别。作者将这一现象归因于脑电（EEG）信号较高的内在变异性。这使得多种在其他机器学习领域表现良好的检测方法，难以有效识别陌生的运动想象模式。
研究同时发现，OOD检测表现与已知任务表现相关。深度集成（Deep Ensemble）和蒙特卡洛Dropout（Monte Carlo-Dropout）模型的任务分类受试者工作特征曲线下面积（AUC）达到0.9，OOD检测能力最高达0.7。作者认为，在任务表现较好的模型和受试者中，拒绝陌生认知状态是可行的；这一条件不能省略，也不能将该相关性写成提高任务表现必然改善OOD检测。
作者将留一类别设置作为检验模型应对未见运动想象动作的实验范式，并将其描述为首个评估此类OOD数据的运动想象BCI基准。研究提出通过拒绝陌生输入来减少错误动作的方向，但这些检测结果并不等同于已证实实际使用中的安全性提升。