高认知负荷下，EEG 能否在反应前解码决策正确性？

投票之前就能获得的信号

协作式脑机接口希望通过给每位操作者的贡献加权来改善团队决策。但现有加权方案依赖决策被报告之后才存在的证据：反应时间或口头报告的置信度。这让它们只能在事后解释或折损一个坏投票，无法在决策仍在形成时告知团队。

这项研究问的是 EEG 能否提供更早的信号。目标不是操作者看到了什么，而是操作者的判断是否正确，并且要从反应窗口内的神经活动解码出来。作者还问这种信号是否取决于认知负荷，因为负荷会降低知觉可靠性，可能打破“行为输出反映底层知觉状态”的假设。

运动安全窗口与空间协方差

23 名参与者完成连续的虚拟现实目标检测任务，在最多锁定 2500 ms 的瞄准框内区分目标与非目标，并在瞄准框消失前按下操纵杆按钮。负荷在被试内操纵：高负荷会话将环境光照降低 50% 并降低太阳角度，低负荷会话使用标准日光条件。

为避免解码的是动作而非判断，特征取自严格排除运动成分的窗口：从瞄准框出现后 300 ms 到该试次自身反应时间前 100 ms，最短需 150 ms，更短的试次被排除。在该窗口内，研究为每个试次估计空间协方差矩阵，经黎曼均值投影到欧氏切空间，再用逻辑回归分类，采用留一被试交叉验证，并分别对每种负荷条件建模。这种方法捕捉整个电极阵列上振荡活动的关系结构，而不依赖精确的时间对齐，这在延迟抖动较大的自定步速虚拟现实中很重要。

仅在高负荷下高于随机解码

高负荷下，分类器以 61.4% 的准确率区分正确与错误决策，真阳性率 64.8%，真阴性率 46.3%（t(22) = 3.65，p = .0014，N = 23）。这种不对称很重要：分类器识别正确试次的能力明显强于捕捉错误。

低负荷的原始准确率数值更高，为 79.4%，但作者明确不把它当作可比结果。真阴性率降至 12.3%，意味着分类器几乎从未正确识别错误试次。原因是行为天花板：低负荷准确率达 93.84%，留下的真实错误试次太少，无法学习可靠的决策边界。低负荷分类器被报告但不作机制解释，后续关于分类器结构和团队价值的分析都聚焦高负荷。

后部知觉特征而非运动特征

为查看哪些通道驱动分类，作者依次移除每个通道对空间协方差矩阵的贡献，并测量留一被试准确率的下降幅度。下降最大的是枕区和顶区电极（Oz、O2、P3），中央和颞区通道（C4、T8）在排名更靠后处贡献较小。

作者认为这种后部加权的模式与被解码信号的知觉来源而非运动来源一致。他们还指出，这种消融排名比原始分类器系数大小更保守，后者因 L2 正则化而弥散分布于各通道，无法可靠区分真正有信息的通道与相关冗余通道。这是作者对通道模式的解释，不是对底层神经发生源头的直接测量。

仅在高负荷下加权投票有益

团队表现通过自助重采样评估，每个团队规模和会话抽取 500 次，团队规模为 2、4、8 和 16。投票分别按无权多数，以及按预先神经信号、口头置信度或反应时间进行证据加权聚合。

在票数均分、加权可能改变结果的争议试次上，高负荷下按神经信号加权使团队准确率随团队规模从 2 增至 16 而从 57% 升至 88%。低负荷下同样的加权反而有害。因此该信号是负荷条件性的，而非通用的团队增强工具。

与行为信号的比较是更关键的一点。置信度总体上是团队层面最强的单一信号，但按定义它无法在决策仍在进行时提供信息，而神经信号在反应窗口内即可获得。反应时间加权失败，作者将这一失败归因于本任务中速度与准确性关系随负荷和试次难度出现的反转。

负荷条件性结论的边界

低负荷结果是最清晰的边界。由于分类器不可靠源于该条件下错误试次数量少，研究无法确定低负荷下缺乏可解码信号是底层神经过程真的不存在，还是数据不足以检测到它。需要一个在低负荷下正确与错误试次更均衡的任务，才能区分这两种解释。

反应时间的解释同样限于本任务的反应动态，不应被理解为反应时间在其他情境中普遍无信息。团队层面的发现来自对已记录个体反应进行重采样构建的模拟团队，而非真实协作团队，因此 57% 到 88% 的提升描述的是高负荷条件下的模拟结果，而非实际部署中观察到的效果。

错误频发时再启用神经加权

这篇论文中与决策相关的区分不是笼统的神经信号与行为信号，而是高负荷与低负荷。当操作者容易出错、行为准确率仍有下降空间时，预先的 EEG 加权改善了争议试次的聚合，并提供了置信度无法提供的东西：投票提交之前的信息。当表现接近上限时，同样的加权损害团队准确率，分类器也没有足够错误可供学习。

因此，部署这类系统前真正要检查的实际阈值是错误出现的频率，而不只是负荷标签。论文自身的表述也如此：基于 EEG 的决策可靠性信号应有条件地部署，用于真实错误足够频繁、信号能携带信息且分类器能从中训练的场景。

本文引用的文献