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。该研究针对驾驶员清醒与困倦状态的 EEG 检测问题，提出 DrowzEE-G-Mamba，将卷积层与状态空间模型（SSMs）结合，分别提取局部特征与长程依赖，并通过通道操作优化 EEG 信息流。主要研究对象是驾驶员困倦检测，而非通用 BCI 任务。 机制方面，摘要明确提到 channel-split、channel-concatenation 和 channel-shuffle 操作，并将系统鲁棒性归因于这些操作与卷积、SSMs 的组合。不过，各操作的具体位置、SSM 实现、网络规模、损失函数、训练流程和 EEG 预处理尚未验证，不能仅凭模型名称推断其具体 Mamba 结构。 结果方面，作者报告在 SEED-VIG 数据集上获得峰值 Accuracy 83.24%，并称相较既有方法提高检测表现、减少假阳性。但摘要未提供被试内或跨被试协议、数据划分、对照方法及假阳性指标，因此该数值只能作为所述数据集上、评估协议尚未验证的作者报告，不能直接用于跨论文排名。作者还称模型在不同复杂度下保持较高准确率，适合资源受限的实时应用；参数量、计算量、推理延迟及硬件条件尚未验证。 复现时应优先核对 SEED-VIG 的标签定义、窗口构造、被试与会话划分、基线配置，以及通道操作和 SSMs 各自的消融贡献。实验协议、消融及统计信息尚未验证。摘要提出其对 SSM-based BCI 算法的潜在意义，但当前材料仅支持 EEG 困倦检测这一任务，不能据此认定其在 MI、SSVEP 或其他 BCI 范式上有效。