STP-Net：融合全脑功能网络分区的时空图神经网络在驾驶员疲劳监测中的创新应用

本文提出STP-Net模型，通过多尺度卷积（MSCTA）、全脑功能分区（GBFP）和时空交互模块（GCN-Trans），实现EEG信号中短/长期时序特征与全局/局部空间特征的深度融合，在SEED-VLA数据集上取得94.09%准确率，揭示感知运动网络与疲劳的强相关性，为驾驶安全提供新范式。

　　

Highlight

STP-Net通过融合全脑功能网络分区，创新性地解决了EEG信号多维度特征提取难题。其核心模块包括：

1. 1.

   多尺度卷积时序注意力（MSCTA）：采用通道-时间双注意力机制捕捉α波功率变化等短/长期特征

2. 2.

   全脑功能分区（GBFP）：基于相位滞后指数（PLI）构建功能连接矩阵，将大脑划分为感知运动网络等关键功能区

3. 3.

   时空交互模块（GCN-Trans）：结合图卷积（GCN）与Transformer，动态建模额叶/顶叶区域的时空依赖关系

Results and Discussion

在SEED-VLA数据集测试中，STP-Net的F₁分数达0.917，显著优于传统CNN/RNN模型。疲劳状态下α波（8-13Hz）功率提升23.6%，且感知运动网络PLI连接强度增加最显著（p<0.01）。消融实验证实GCN-Trans模块贡献度达37.2%。

Conclusion

STP-Net首次实现EEG信号中：

• 多尺度时序特征（从毫秒级到分钟级）

• 多层次空间特征（单通道局部到全脑网络）

的端到端融合，为疲劳监测提供可解释的生物标志物。未来可扩展至其他神经退行性疾病早期预警。