Neural‑Decoding von Sprache aus EEG: Vertrauen durch Confidence‑Aware Ansatz

Wissenschaftler haben ein neues Verfahren entwickelt, das Sprachbefehle aus dem Elektroenzephalogramm (EEG) erkennt und gleichzeitig die Zuverlässigkeit der Vorhersagen bewertet. Durch die Kombination von tiefen Ensembles kompakter, sprachorientierter Convolutional‑Netzwerke mit einer nachträglichen Kalibrierung und selektiver Klassifikation kann das System nicht nur genaue Ergebnisse liefern, sondern auch angeben, wann es sich unsicher fühlt.

Die Unsicherheit wird dabei über mehrere Kennzahlen gemessen: Ensemble‑basierte Vorhersage‑Entropie, die Differenz zwischen den beiden höchsten Wahrscheinlichkeiten und die gegenseitige Information. Auf dieser Basis entscheidet das Modell, ob es eine Vorhersage abgibt oder abstains, wobei ein bestimmter Genauigkeits‑Abdeckungs‑Punkt als Schwelle dient.

In Tests mit einem mehrklassigen Datensatz für gesprochene Sprache zeigte das Verfahren im Vergleich zu gängigen Baselines deutlich zuverlässigere Wahrscheinlichkeitsaussagen, eine bessere selektive Leistung über verschiedene Betriebspunkte hinweg und eine ausgewogenere Annahme pro Klasse. Diese Ergebnisse deuten darauf hin, dass confidence‑aware Neural‑Decoding robuste, praxisnahe Verhaltensweisen für reale Brain‑Computer‑Interface‑Kommunikationssysteme ermöglichen kann.