共識與群體解碼

協作式 BCI 的演算法核心，在於如何把多名使用者的神經證據融合為一個決策。簡單方案是對事件相關電位取平均，或對各使用者的分類結果取多數決；較佳的方案則以估計出的可靠度（信心、過往準確率或單次試驗訊號品質）為每名使用者加權，使某一參與者的強訊號能凌駕他人的弱訊號。旁觀者的錯誤相關電位也可彙整為群體的「那是錯的」訊號。

當各使用者的錯誤無偏且弱相關時，融合最有幫助，這正是結合獨立估計量可降低變異的情形；但當共同的混淆因素（共通的視覺假影、領導者效應）使錯誤相關時，融合反而有害，於是自信的多數會一起自信地犯錯。因此可靠度加權的融合優於天真的投票，而同樣的信任加權概念，也再度出現在 BrainNet 這類多腦介面中。