5月12日上午，“统计大讲堂”系列讲座第一百九十一讲举行。本次讲座采用在线会议的方式，邀请密歇根大学生物统计学博士研究生马天闻作题为“Bayesian Inferences on Neural Activity in EEG-Based Brain-Computer Interface”的报告。本次讲座由统计学院讲师吴奔主持。

吴奔首先介绍了主讲人的相关信息。马天闻是密歇根大学生物统计学四年级博士研究生，今年毕业后将加入埃默里罗林斯公共卫生学院，担任研究助理教授，主要与埃默里大脑健康中心合作。他的研究方向主要为贝叶斯方法、空间统计、时间序列分析和脑成像。

马天闻首先介绍了脑机接口(BCI)的研究背景。脑机接口是一种通过在人脑神经与外部设备(比如计算机、机器人等)间建立直接连接通路，从而实现神经系统和外部设备间信息交互与功能整合的技术。而基于脑电图(EEG)的脑机拼写器因其低成本、无创性和高时间分辨率而成为一种更有效的脑机接口。他重点介绍了依赖于在脑电图数据中激发事件相关电位(ERPs)的P300-ERP拼写器。接着，马天闻为大家讲解了非侵入式(EEG)脑机接口在传统研究方法中的作用。他指出，现有的最先进的机器学习(ML)方法不能对大脑活动进行统计推断。为了解决这个问题，马天闻尝试利用贝叶斯推断研究非侵入式(EEG)脑机接口的神经活动。

紧接着，马天闻详细介绍了他的研究模型。他从生成模型、符号和问题设置、模型的公式化计算、分裂合并高斯过程(SMGP)、后验推理、信道选择等方面展开，为大家详细讲解了利用贝叶斯推断研究非侵入式脑机接口的神经活动的具体方法。

此后，马天闻为大家展示了利用该模型模拟实际情况得到的结果。马天闻利用来自密歇根大学直接脑接口实验室(UM-DBI)的UM-DBI数据分析数据库，在0.5Hz和6Hz之间使用带通滤波器，以8为抽取系数对原始信号进行下采样。每个数据文件包含15个序列的脑电图信号段，共19个目标字符。他分别选取每个字符的奇偶序列作为训练集和测试集。之后，马天闻进行了敏感性分析，向大家展示了不同参数下的预测精度。此后马天闻对该方法进行了总结，并简述了未来需要完成的任务。

最后，在提问交流环节，在线师生积极参与讨论，马天闻耐心解答了同学关于非侵入式(EEG)脑机接口的神经活动的疑问并就此进行了更为深入的讨论。