采用特征耦合张量分解进行多模态脑连接分析的高准确率 EEG 驾驶疲劳检测

基于摘要分析。研究针对 EEG 驾驶疲劳检测中单一连接指标难以充分表征疲劳状态下神经动态重组的问题，提出 Feature-Coupled Tensor Decomposition（FCTD）框架，将幅度耦合、相位同步与定向信息传递三类连接特征进行联合表征。这里的“多模态”指 EEG 内的多种连接度量，而非不同传感器模态的融合。 方法分别为信号协方差、phase-locking value 和 Liang-Kleeman information flow 构建独立高阶张量，通过 Tucker decomposition 学习头皮电极层面的空间基，并采用 cross-mapping 策略整合不同连接度量之间的潜在依赖。其方法重点是保留各连接视图的结构，再利用特征耦合实现互补信息整合；具体张量维度、耦合目标、秩选择、分类器及训练流程尚未验证。 作者报告，在两个公开驾驶疲劳 EEG 数据集上，采用旨在降低时间泄漏风险的按时间顺序分块十折交叉验证，Dataset 1 与 Dataset 2 的平均 Accuracy 分别为 99.42% 和 93.62%。摘要未明确该分块协议是否为被试内评估，不能将其直接归类为 Within-subject。作者另报告，在 Dataset 2 的留一被试（LOSO）跨被试评估中，Accuracy 为 75.18%，表明跨被试泛化仍具挑战；不同协议的结果不宜直接比较为性能增减。 全文核对重点包括数据集身份与被试构成、疲劳标签定义、时间分块及预处理的具体实现、各连接视图与耦合策略的消融、对照方法及统计不确定性。作者称该框架具有计算效率优势，但摘要未提供耗时、资源占用或对应基线，尚不能判断其实时部署条件。实验协议、消融及统计信息尚未验证。