Ulster University

脑机接口把脑电信号翻译成指令时，系统自己能不能知道“这次判断有没有把握”？研究人员在回声状态网络（一种借鉴神经系统、擅长处理时间序列的计算模型）中加入了一个专门输出决策置信度的读出神经元，让置信度随着决策形成持续更新。在模拟决策任务中，刺激越强、越容易区分，置信度活动越高；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判断，在表现较好的受试者身上尤其明显。该研究为预印本，尚未经同行评审。

一项预印本研究提出CNN-LSTM-RL两阶段解码框架，用强化学习对CNN-LSTM连续运动想象解码器的输出做残差运动学校正。RL智能体离线训练、不直接使用EEG输入，而是基于预测的运动学轨迹优化相对目标轨迹的运动准确度。研究者称，与单独使用CNN-LSTM相比，CNN-LSTM-RL将2D平均相关系数从0.5076提升到0.7181，VR场景从0.6420提升到0.7780，RMSE分别降低40.2%和38.2%。研究者认为，该框架通过离线残差强化学习校正运动学误差，无需额外神经数据即可增强3D脑机接口运动想象解码，对神经康复、假肢与虚拟交互有潜在价值。该研究为预印本，尚未经过同行评审。