《Frontiers in Neuroscience》：Cross-subject EEG driving fatigue detection: early personal spectral reference and causal long-sequence residual encoding
编辑推荐：
背景：在基于跨被试脑电（EEG）的驾驶疲劳检测中，现有解码器多围绕秒级短窗口设计，而疲劳是一种慢漂移；短窗口频谱特征对该慢漂移的直接证据较少，限制疲劳决策。更关键的是，每个个体的频谱基线水平和疲劳变化模式不同，因此简单延长窗口仍使模型难以从观测频谱特征进行跨个
背景：在基于跨被试脑电（EEG）的驾驶疲劳检测中，现有解码器多围绕秒级短窗口设计，而疲劳是一种慢漂移；短窗口频谱特征对该慢漂移的直接证据较少，限制疲劳决策。更关键的是，每个个体的频谱基线水平和疲劳变化模式不同，因此简单延长窗口仍使模型难以从观测频谱特征进行跨个体预测。本研究旨在共享参数下实现跨被试疲劳决策，而无需逐驾驶员专用模型。方法：研究人员提出早期个体频谱参考与因果长序列残差编码：早期个体频谱参考仅由短的会话起始频谱窗口估计；后续频谱观测被映射到残差空间；状态条件化时间建模在长因果序列上累积并更新残差状态；疲劳从终端状态读出。结果：在多模态驾驶疲劳表型数据集（MPD-DF）的留一被试（LOSO）二分类中，五种种子（2026–2030）的宏平均F1为0.655 ± 0.005（2026种子为0.660），优于最佳匹配协议绝对频谱基线（≈0.587）。在SEED警觉度数据集（SEED-VIG）的被试LOSO协议连续警觉度回归中，5Bands下均方根误差（RMSE）为0.209 ± 0.005，2 Hz下为0.200 ± 0.003，均低于匹配协议基线。结论：由短起始窗口估计的早期个体频谱可减少疲劳决策中内在个体频谱水平的干扰，并为跨被试疲劳解码提供实用前提。在残差空间中沿因果长序列累积并更新残差状态进一步改善跨被试决策。在无逐驾驶员模型的共享参数下，该框架在疲劳分类和警觉度回归上均优于匹配的绝对频谱基线。
（一）研究背景与问题。驾驶疲劳是道路交通安全和公共卫生的重要风险因素；脑电（EEG）可近实时反映中枢警觉波动，已广泛用于疲劳检测实验和算法研究。跨被试EEG变异性通常大于被试内波动，跨被试泛化是核心挑战。现有模型多围绕固定时间尺度（如1 s或3 s短窗口）设计，难以适应不同漂移速率的认知状态任务；疲劳是分钟级慢漂移，其信号在短窗口内不能直接观测。跨被试条件下个体差异进一步放大困难，阻碍对新驾驶员的泛化。研究问题包括：仅由很短会话起始窗口估计的个体频谱参考能否减少疲劳决策中的个体差异干扰；残差轨迹上的因果序列累积是否优于仅用瞬时残差以及所需因果窗口长度；框架在离散分类和连续回归上是否一致。相应假设为H1至H3。
（二）研究开展、结论与意义。研究人员提出两组件框架：早期个体频谱参考和因果长序列残差编码。前者仅由短的冻结起始历史估计早期个体频谱参考μ，并将后续观测映射到相对该参考的残差空间，以在结构上衰减时间稳定的个体频谱水平并强调疲劳相关偏差；后者在残差轨迹的因果长窗口上执行帧内特征重组、条件化时间建模和持续状态更新，将慢漂移证据累积为紧凑表示用于分类或连续警觉度估计。参数跨被试共享，不需要逐驾驶员模型副本或额外域对齐。结论表明：早期个体频谱参考是跨被试疲劳决策的关键前提；残差空间中的因果长序列累积进一步改善决策；共享参数下框架在疲劳分类和警觉度回归上均优于匹配绝对频谱基线及代表性域对齐/迁移基线。其意义在于提供一种不依赖逐驾驶员模型、也非仅依赖域对齐的共享参数个性化路径。
（三）关键技术方法。由会话起始冻结窗口（主设置L=60 s）仅估计早期个体频谱参考μ，后续帧形成相对μ的残差轨迹；采用线性动力系统平滑的差分熵（DE-LDS）特征，并按解剖感兴趣区（ROI）×α/β池化为K=8的令牌；在因果长窗口内执行TokenMix、状态经特征级线性调制（FiLM）条件化的因果TimeMix、因果加权池化Persist及残差状态e更新，分类用线性头、回归用MLP128头。样本队列为公共MPD-DF（50名被试，二分类）和SEED-VIG（23名被试，连续PERCLOS回归），均按留一被试（LOSO）评估。
（四）研究结果。4.1 主特征设置的初步分析：MPD-DF中以开窗均值μ为参考，11名有足够轻度疲劳L1样本被试的早期alert与早期L1的α残差场高度相似（余弦≈0.96，差异RMS≈0.053），峰值L1时顶枕α残差由负转正，与早期L1余弦≈0.05并伴β升高；残差热点在后侧颞枕顶，但个体最敏感区无单一区域×频带指纹（枕≈36%、额≈26%、顶≈21%），故ROI×α/β K=8作为工程降维先验，开窗用于估计μ而非决策期。4.2 主要结果：MPD-DF全50被试LOSO五种子宏平均F1为0.655±0.005（2026种子0.660），Acc为0.807±0.004，优于最佳绝对频谱EEGNet 0.587和域对齐MSMDA 0.597等；SEED-VIG被试LOSO下5Bands RMSE/MAPE为0.209±0.005/55.8±1.4，2 Hz为0.200±0.003/53.8±1.7，优于VIGNet 0.225和SVR 0.226等。4.2.1 性能比较与分析：共享骨干仅换读出头的分类和回归均优于匹配绝对频谱及代表性域对齐/迁移基线。4.2.2 MPD-DF主比较表：全50 LOSO五种子Macro-F1 0.655，优于EEGNet 0.587和MSMDA 0.597。4.2.3 SEED-VIG主比较（5Bands/2 Hz）：RMSE 0.209/0.200，优于所有匹配协议基线。4.3 消融研究：以全方法为参照逐一去掉或替换组件。4.3.1 早期冻结参考的影响：去掉?μ后两端显著退化，SEED-VIG 5Bands/2 Hz RMSE/MAPE升至0.255/69.0和0.245/68.3，说明绝对谱难分离“谁”与“是否疲劳”，短开窗估计μ必要。4.3.2 长序列残差编码：关闭完整编码块，MPD Macro-F1由0.660降至0.626（约?5.2%相对），SEED 5Bands/2 Hz RMSE由0.209/0.200升至0.218/0.212（约+4.3%/+6.0%），两任务贡献相近。4.3.3 读出：更新状态e与瞬时残差d
now比较：改用d
now后MPD Macro-F1/Acc由0.660/0.809降至0.599/0.788（约?9.2%相对），SEED 5Bands/2 Hz RMSE为0.220/0.208（约+5.3%/+4.0%），分类更依赖e，与SEED每秒监督、MPD每10 s离散监督有关。4.3.4 回归头容量（Linear vs MLP）：线性头5Bands/2 Hz RMSE 0.229/0.220、MAPE 66.1/65.5，MLP128为0.209/0.200、55.8/53.8，连续PERCLOS需非线性读出。4.3.5 冻结长度L敏感性（MPD-DF）：L=1–120 s统一t≥120 s，Macro-F1差距约0.007，L=1 s已匹配长窗，性能不敏感，无“越长越好”。4.3.6 因果编码窗口T敏感性（MPD-DF）：T从10 s增至30 s时Macro-F1 0.628→0.656，T=30–600 s平台0.654–0.657，需约30 s下界但无需无限长。
（五）讨论总结与结论翻译。讨论总结：跨被试失败常归因于骨干容量或域对齐不足；结果支持“先估计早期个体频谱参考μ，再在残差空间决策”的机制链。早期?μ的作用是去除相对稳定的个体慢频谱截距，而非假设开窗必为警觉；MPD-DF早期alert与L1近同构，SEED-VIG开窗非纯警觉仍有效。序列编码必要性有两层：编码须在残差而非绝对谱上进行；残差证据需在因果窗口内累积。分类更依赖更新状态e，回归瞬时残差较足够，符合监督密度和决策粒度差异。域对齐基线比较中，MSMDA使用无标签目标数据仍低于本框架；研究人员不主张域对齐无效，而是提供不依赖域对齐的可行路径。局限包括：因果序列编码增加参数和计算，边缘部署需权衡；开窗伪迹、电极接触或起始状态可偏置μ；单共享模型对极端个体差异适应可能弱于多源集成；标签较粗（MPD-DF将疲劳1–4级并为二分类，SEED-VIG用PERCLOS眼睑代理），并存在数据集、被试与场景、比较容量不匹配、标签偏置。未来可引入多类或序回归、自适应特征选择及更大多中心多场景验证。研究结论翻译：研究人员提出一个两组件框架——早期个体频谱参考与因果序列残差编码——用于跨被试慢漂移疲劳解码。主要结论如下：由早期冻结窗口估计的早期个体频谱参考是跨被试疲劳解码的关键前提；其作用应理解为去除个体慢频谱截距，而非绑定于“开头必须警觉”。在编码阶段，残差空间中的序列编码对分类和回归贡献相近；两任务可共享一个骨干。在读出阶段，两任务均受益于更新状态相对于瞬时残差，分类端依赖更强；时间尺度组件可按任务选择。因果编码窗口长度敏感性分析显示，增益随窗口长度上升后趋于平台，而非无限增长。无需逐驾驶员模型或额外域对齐，该框架在MPD-DF和SEED-VIG上优于匹配绝对频谱基线和代表性域对齐/迁移基线。局限与未来工作：本研究使用二分类标签和固定ROI×α/β降维先验；未来可引入多类或序回归、自适应特征选择，并在更大多中心、多场景数据上验证。总体而言，共享参数个性化不必依赖逐驾驶员模型，域对齐也不是唯一路径。
