Resumen: Las interfaces cerebro-computadora no invasivas que decodifican comandos hablados del electroencefalograma deben ser precisas y confiables. Presentamos un marco de decodificación consciente de la confianza que combina conjuntos profundos de redes convolucionales compactas orientadas al habla con calibración post-hoc y clasificación selectiva. La incertidumbre se cuantifica utilizando entropía predictiva basada en conjuntos, margen de los dos primeros e información mutua, y las decisiones se toman con una opción de abstención regida por un punto operativo de cobertura de precisión. El enfoque se evalúa en un conjunto de datos de voz abierta de múltiples clases utilizando una división estratificada en bloques a prueba de fugas que respeta la contigüidad temporal. En comparación con las líneas de base ampliamente utilizadas, el método propuesto produce estimaciones de probabilidad más confiables, un rendimiento selectivo mejorado en todos los puntos operativos y una aceptación equilibrada por clase. Estos resultados sugieren que la decodificación neuronal basada en la confianza puede proporcionar un comportamiento sólido y orientado a la implementación para sistemas de comunicación con interfaz cerebro-computadora del mundo real.
Publicado originalmente en export.arxiv.org el 11 de noviembre de 2025.
Ver fuente original
