Mar, 2024
跨受试者运动想象分类的不确定性量化
Uncertainty Quantification for cross-subject Motor Imagery classification
Prithviraj Manivannan, Ivo Pascal de Jong, Matias Valdenegro-Toro, Andreea Ioana Sburlea
TL;DR不确定性量化旨在确定机器学习模型的预测何时可能错误。计算机视觉研究探索了确定认知不确定性（也称为模型不确定性）的方法，这应该和泛化误差相对应。这些方法在理论上允许根据个体间可变性来预测错误分类。我们应用了各种不确定性量化方法来预测运动想象脑机接口的错误分类。深度集成表现最佳，除了分类性能外，它还在跨个体不确定性量化性能上表现出色。然而，我们发现标准的 CNN 与 Softmax 输出要好于一些更高级的方法。