超越准确率：潜在意图下基于信息论的解码器评估

arXiv:2611.05658v1 公告类型：新稿 摘要：辅助性脑控机器人控制面临的一项核心挑战，是从复杂且含噪的脑信号中解码用户的潜在意图。以往方法将解码器视为单试次分类器，并使用基于准确率的指标进行评估，但这忽略了辅助控制固有的序贯性质。由于规划器必须随时间整合间歇出现且含噪的解码器输出，单步准确率在预测下游任务表现时只能充当代理指标。我们将脑控机器人控制形式化为部分可观测马尔可夫决策过程（POMDP），并证明其中存在一个鲜明的相变：只要任意一对目标都能被解码器区分，遗憾就在整个决策时域内一致有界，否则便会线性增长。我们表明，单一信道统计量——最难区分目标对的 Chernoff 信息 $\Gamma_{\min}$——决定了这一边界。随后，我们推导出一个闭式遗憾预测量 $U_{\mathrm{id}}(C)$，可根据任意混淆矩阵在 $O(K^2)$ 时间内计算得到。在涵盖正交信息信道的两个领域中，我们表明，$U_{\mathrm{id}}$ 能够预测准确率无法解释的累积规划遗憾。接着，我们揭示了一种病态的准确率陷阱：两个解码器在真实 EEG 数据（BNCI2014001 第 5 号受试者）上具有相同的验证准确率 35.1%，但在留出数据上的遗憾却相差 $9.6\times$，而 $U_{\mathrm{id}}$ 能够预测这一差异。针对涵盖独立特征通道的解码器，同信号对照实验证实了 $U_{\mathrm{id}}$ 的优势。最终，我们的工作提供了一种可直接使用的诊断工具，用于评估和选择序贯辅助控制中的传感器与解码器。