面向驾驶意图预测的 EEG 掩码建模

基于摘要分析。研究面向 BCI 辅助驾驶中的驾驶意图识别，而非仅检测困倦，提出 Masked EEG Modeling 框架，预测左转、右转和直行意图，并评估不同警觉状态及通道缺失或损坏条件下的表现。 研究依据方面，作者通过独立成分分析开展初步 EEG 分析，认为驾驶操作意图与中央额区及顶叶区域的神经活动密切相关；群体层面的功率谱密度分析也提示不同驾驶意图具有频域差异。这些观察为利用 EEG 动态预测驾驶意图提供依据，但摘要不足以确认其统计显著性、个体一致性，以及与运动伪迹的区分程度。 方法方面，作者提出以掩码建模利用上述脑动态。摘要未说明掩码对象与采样策略、网络结构、学习目标，以及训练和推理过程，因此不能确认其是否采用自监督预训练，也不能将通道损坏下的表现直接归因于某种具体掩码机制。 结果方面，作者报告在公开数据集上进行了定量与定性评估，并能在不同警觉状态下预测驾驶意图；其中，针对困倦被试的驾驶意图预测，Accuracy 为 85.19%。作者另报告，当超过一半的通道缺失或损坏时，Accuracy 仍高于 75%。摘要未给出数据集名称、被试数、被试内或跨被试划分、对照基线，以及通道缺失和损坏的具体生成协议，因而这些结果不能直接与其他协议下的分数比较。 复现时需核对意图标签定义及其与实际驾驶动作的时间关系、数据划分、警觉状态判定、预处理流程和通道扰动设置。通道缺失或损坏下的鲁棒性不等同于已验证对突发运动伪迹的鲁棒性，离线意图分类效果也不等同于实际降低事故风险。实验协议、消融及统计信息尚未验证，代码与数据获取条件亦尚未验证。