DrowzEE-G-Mamba：利用 EEG 与状态空间模型进行驾驶员困倦检测

基于摘要分析。该研究面向驾驶员困倦检测，提出 DrowzEE-G-Mamba，将 EEG 与状态空间模型（SSMs）结合，建模驾驶员清醒与困倦之间的状态变化。其主要贡献是通过通道信息交互及局部—长程特征建模，提升 EEG 困倦状态识别能力；研究对象是驾驶状态监测，并非通用 BCI 解码。 机制方面，摘要明确提到 channel-split、channel-concatenation 和 channel-shuffle 操作，用于优化 EEG 通道信息流；卷积层用于捕获局部特征，SSMs 用于建模长程依赖。具体模块顺序、SSM 实现、输入表示、损失函数及训练与推理流程尚未验证，不能仅凭模型名称推断其内部结构。 作者报告，在 SEED-VIG 数据集上取得最高 Accuracy 83.24%，并称相较传统方法提高检测率、减少误报。然而，摘要未提供该数值对应的被试内或跨被试协议、数据划分、对照方法及统计信息，因此不能据此判断泛化能力或优势幅度。作者还报告模型在不同复杂度设置下保持较高准确率，并认为其适合资源受限的实时应用；实际延迟、计算量、硬件条件及复杂度设置尚未验证。 复现时需核对 EEG 预处理、通道配置、时间窗、标签定义及数据划分，并检查通道操作和卷积—SSM 组合的消融结果，以及误报评价方式。实验协议、消融及统计信息尚未验证，代码与复现条件也未由当前材料确认。作者提出该方法可能推动 SSM 在 BCI 中的应用，但摘要所述驾驶员困倦检测结果不能直接证明其对其他 BCI 任务有效。