在运动想象脑机接口中，七种分布外检测方法因脑电内在变异性而失效，但深度集成与MC-Dropout在任务表现高的受试者上仍可达到最高0.7的分布外检测能力

研究提出并验证了留一类别的分布外检测实验范式，用于考察模型对训练数据中未出现的陌生运动想象动作是否稳健。 作者称这是运动想象脑机接口中首个评估此类分布外数据的基准。 基于在部分类别上训练、再观察未见过运动类别的实验设置，摘要中给出了该范式的设计说明，但未提供受试者数量或数据集细节。

在运动想象脑机接口中，许多在其他机器学习领域表现良好的分布外检测方法无法有效识别陌生的运动想象模式。 原因在于脑电信号固有的高变异性，使许多受试者对熟悉类别的预测不确定性仍可能高于分布外类别。 研究测试了七种分布外检测方法以及一种据称可提升分布外检测质量的方法，摘要报告了这些方法在此场景下效果不佳的结果。

分布外检测性能与在任务上的表现相关，深度集成模型和MC-Dropout模型在任务表现高的模型与受试者上可取得在任务AUROC大于0.9、分布外检测能力最高约0.7。 这表明当任务表现足够高时，拒绝陌生认知状态变得可行，为提升脑机接口的安全性与可靠性提供了路径。 摘要报告了上述AUROC数值与相关性，但未给出受试者规模、统计检验或置信区间等细节。

该工作面向运动想象脑机接口的研究者与系统设计者，适用于在部分运动想象类别上训练、再面对训练中未出现的陌生运动类别的场景。它提出的留一类别分布外检测范式可作为后续研究模型稳健性的实验框架，并提示当任务表现足够高时，拒绝陌生认知状态是可行的，从而为提升脑机接口安全性与可靠性提供方向。

摘要未说明受试者数量、数据集来源与统计检验方式，因此分布外检测能力最高约0.7这一数值的稳健性仍需结合正文评估。此外，分布外检测性能与在任务表现的相关性是否在不同受试者群体中稳定，以及深度集成与MC-Dropout之外的方法能否在任务表现较低时改善效果，都是值得进一步观察的问题。由于本次仅读取到摘要，正文中的图表与详细结果未能纳入总结。