融合可解释特征选择与高效时序建模的 EEG 疲劳检测框架

该研究针对 EEG 疲劳检测中高维特征筛选、相关通道识别及跨被试泛化问题，提出 AXELLSTM 框架，将可解释特征选择与轻量时序建模结合。基于摘要分析，未取得论文全文。 方法上，作者采用嵌套留一被试法（LOSO）评估跨被试泛化，并在各折内进行特征与通道选择，以降低选择过程中的潜在数据泄漏风险。流程先通过 ANOVA 和 XGBoost 识别具有区分力的疲劳相关特征，再用 L1 正则化稀疏选择模型估计通道重要性。时序分类模块 EfficientLSTM 融合特征压缩、双向长短期记忆网络、通道注意力与时间注意力，提取序列级 EEG 表征；具体嵌套划分、调参与训练细节尚未验证。 作者报告，所有 LOSO 折均选出均值、RMS、过零率、gamma 功率、beta 功率、标准差、方差和峰峰值这八项特征，并稳定保留包括 F8、AF8、TP8 等在内的 18 个 EEG 通道。作者据此认为，疲劳相关信息分布于额区、额极区、额颞区、顶区和枕区；这些结果支持模型选择层面的解释，但不能单独确立疲劳的神经机制。 在所述跨被试 LOSO 协议下，作者报告 EfficientLSTM 的 Accuracy 为 0.7454 ± 0.2147、Balanced Accuracy 为 0.7436 ± 0.2139、Macro-F1 为 0.7143 ± 0.2452；参数量为 0.1959 M，模型大小为 0.7474 MB，计算量为 3.7069 M FLOPs。作者报告其平均 Macro-F1 高于所比较的基线模型，但摘要未列出基线名称和各自结果，± 的统计含义也尚待核对。 复现时需核对数据集、被试数量、疲劳标签定义、窗口与序列构建方式、内外层划分及选择流程，以及消融和统计检验信息。模型复杂度指标提供了轻量化依据，但便携监测场景中的实际延迟、能耗与跨设备适用性尚未验证。