基于脑电信号与可解释机器学习的驾驶认知状态预测框架

本研究针对驾驶场景中认知负荷动态变化的监测难题，通过采集驾驶员在静止、城市道路、高速公路及郊区道路四种状态下的脑电信号(EEG)，结合梯度提升(GBoost)和随机森林(RF)机器学习模型，构建了驾驶状态分类系统(最高ROC-AUC达1.00)。创新性引入模型无关解释方法，揭示θ/δ波段功率等关键神经标记物，为开发个性化驾驶辅助系统提供理论基础。

　　

驾驶作为一项复杂的认知活动，其安全性始终受到疲劳、分心等认知状态变化的威胁。随着车载智能设备的普及，驾驶员的认知负荷监测成为预防交通事故的关键。然而，传统方法难以实时捕捉大脑神经活动的动态变化，且现有机器学习模型普遍存在"黑箱"问题。针对这一挑战，韩国标准科学研究院的Iqram Hussain团队在《Medical Engineering》发表研究，首次将可解释机器学习与脑电信号分析结合，构建了驾驶认知状态的预测与解释框架。

研究采用Cognionics Quick-20 EEG设备采集23名健康男性驾驶员在模拟驾驶舱中的脑电数据，涵盖静止、城市道路、高速公路和郊区道路四种状态。通过提取δ/θ/α/β/γ波段功率及功率比(DAR,DTR)等特征，应用梯度提升(GBoost)和随机森林(RF)算法建模，并采用模型无关解释方法(LIME)解析特征贡献。

【Characteristics of EEG spectral features in driving states】
频谱分析显示：驾驶状态中前额叶θ/δ波功率显著升高(城市道路达峰值)，α波抑制表明认知负荷增加；枕叶β/γ波活动在高速公路场景最活跃，反映视觉信息处理需求。功率比DAR(δ/α)和DTR(δ/θ)被证实为区分驾驶状态的敏感指标。

【Results】
GBoost模型表现最优，静止状态分类ROC-AUC达1.00，郊区/高速/城市道路分别为0.96/0.91/0.90。解释模型揭示θ波功率对城市道路分类贡献度达37%，δ波功率在高速公路状态判别中占比29%，与已知认知负荷神经标志物高度吻合。

【Discussion】
研究首次证实EEG频谱特征可量化反映驾驶环境差异导致的认知负荷变化。郊区道路的中等认知需求引发独特的θ波激活模式，而复杂城市路况导致δ波持续活跃，这种神经特征为分级预警系统提供了生物学依据。

【Conclusions】
该研究构建的EEG-XAI框架实现了驾驶状态的精准预测与神经机制解释，其创新性体现在：1) 发现驾驶环境特异性神经标记物；2) 开发可解释的个性化评估模型；3) 为ADAS系统提供生理反馈接口。未来可扩展至神经疾病驾驶员的认知监测，推动主动安全技术发展。

研究获得King Salman残疾研究中心的资助(KSRG-2024–089)，所有实验均通过韩国标准科学研究院伦理审查，数据可依申请获取。