基于可分离时空特征聚合的跨被试精神疲劳检测

基于摘要分析。该研究针对 EEG 跨被试精神疲劳检测中的个体分布差异，提出 Separable Spatio-temporal Feature Aggregation（SSFA），结合时空特征提取与类别聚合，旨在减少域对齐后决策边界附近样本的误分类。 方法包含 Spatio-temporal Feature Extractor（SFE）与 Separable Feature Aggregation（SFA）。据摘要，SFE 利用 EEG 时空信息，自动调整时间特征与空间特征的权重，以学习更具判别性的表示；SFA 将两个分类器与 sliced Wasserstein Discrepancy 结合，使各类别的样本分别聚合，并促进新被试样本映射到已有被试数据的支持区域。其方法动机是：依靠欺骗域判别器实现分布对齐，未必能充分处理类别决策边界附近的样本。具体网络结构、差异度的计算与优化方式尚未验证。 作者报告，在一个公共疲劳数据集上采用留一被试（Leave-one-subject-out）协议进行跨被试评估，Accuracy 为 85.91%，且多项评价指标优于所比较的方法。摘要未给出数据集名称、被试数量、具体对照方法及其他指标数值，因此该结果只能在所述评估背景下理解，不能外推为其他数据集或协议下的性能。 复现时需核对目标被试数据在训练和适应阶段的可见性、是否使用标签、预处理与划分方式，以及双分类器和 SFA 的具体训练流程。实验协议、消融及统计信息尚未验证；摘要不足以确认性能增益分别来自时空加权、类别聚合还是其他训练因素。