비침습적 뇌-컴퓨터 인터페이스(BCI)에서 음성 명령을 해독하는 것은 정확하고 신뢰할 수 있어야 한다. 본 논문에서는 소형 음성 지향 컨볼루션 네트워크의 딥 앙상블을 사후 보정 및 선택적 분류와 결합한 신뢰도 인식 해독 프레임워크를 제시한다. 앙상블 기반 예측 엔트로피, 상위 두 마진, 상호 정보를 사용하여 불확실성을 정량화하고, 정확도-커버리지 작동점을 기준으로 거부 옵션을 사용하여 결정을 내린다. 제안된 방법은 시간적 연속성을 유지하는 누출 방지, 블록 계층 분할을 사용하여 다중 클래스 명시적 음성 데이터세트에서 평가되었다. 널리 사용되는 기준선과 비교하여 제안된 방법은 더 신뢰할 수 있는 확률 추정치, 개선된 작동점 간 선택적 성능, 균형 잡힌 클래스별 수용을 제공한다. 이러한 결과는 신뢰도 인식 신경 해독이 실제 BCI 통신 시스템을 위한 강력하고 배포 지향적인 동작을 제공할 수 있음을 시사한다.
