脑机百科消息(bciwiki.com)，美国圣母大学计算机科学与工程系的研究人员在发表于2026年9月28日的《Journal of Neural Engineering》上报告，将共形预测（conformal prediction，CP）用作运动想象脑机接口的指令门控，可在跨会话脑电信号漂移条件下显著减少错误指令：在OpenBMI数据集（54名受试者，2类任务）上，未加门控的分类器错误决策率为37.5%，采用阈值型共形预测（THR）或正则化自适应预测集（RAPS）后降至9%至16%；在BCI Competition IV Dataset 2a（9名受试者，4类任务）上，由35.5%降至6%至8%。
运动想象脑机接口通过解码用户想象肢体动作时的脑电信号来控制外部设备。研究人员指出，常规分类器无论把握大小都会输出结果，没有机制暂缓不确定的预测，而同一用户在不同时间段使用时脑电信号分布会发生变化，容易导致设备执行意外动作。共形预测门控的思路是：当模型对当前试次的判断不够确定时，不下发指令。
研究以DeepConvNet作为基础分类器，比较了THR、RAPS及其优化版本RAPS-Opt和Chow选择性预测等策略，并设置5种按时间顺序划分的数据条件，考察校准数据与目标会话匹配程度的影响。在OpenBMI上，校准数据与测试会话越匹配，门控越保守：THR的决策率从0.55降至0.41，错误决策率从0.16降至0.11。无需目标会话标注数据的Calibtrain策略在跨会话条件下取得最高的THR F0.5值，为0.53。Chow方法发出的指令更多，但错误决策率更高。
研究还引入风险加权效用指标U(λ)，其中λ反映错误指令相对代价。λ为1时Chow方法更优，λ不小于2时THR更优；重新针对U(λ)优化Chow阈值的敏感性分析未改变这一排序，效应量dz为0.70至0.93。作者认为，跨会话可靠性应被视为安全性与决断性之间随应用场景而定的权衡，并据此提出选择校准数据来源和门控策略的框架。该研究基于公开离线数据集，未涉及实时设备控制或患者测试。