用于疲劳预测与复核优先级排序的历史自报告

基于摘要分析。该研究面向生理观测连续、主观反馈间歇获得的疲劳监测场景，探索历史自报告如何同时支持当前预测和待复核记录的优先级排序。其贡献在于将历史 Karolinska Sleepiness Scale（KSS）评分融合与错误风险估计连接起来，并分别评估分类性能和复核资源分配效果。 方法上，特征条件化残差模块将历史 KSS 评分纳入生理信号预测；没有自报告时，预测退回生理信号骨干模型。轻量级风险估计器利用完整预测流程的折外错误学习，使复核优先级针对最终分类器，而非仅依据骨干模型的置信度。摘要未给出残差模块结构、损失函数及风险估计器的具体形式。 作者在30名参与者的回顾性六折 Cross-subject（跨被试）评估中，考察 EEGNet、DeepConvNet 和适配生理信号的 QMF。以数据集参考标签为依据，作者报告：残差条件化使 EEGNet 的参与者宏平均 Balanced Accuracy 从51.87%提高至69.17%，使 DeepConvNet 从52.94%提高至67.86%。作者报告的消融结果表明，自报告数值是主要增益来源；但简单加权融合在两个 EEG 骨干上均取得更强的分类性能，因此这些结果不能单独证明残差融合机制优于简单融合。 作者报告，分类增益并不稳定地转化为更好的错误识别：在 DeepConvNet 上，选择20%的记录进行复核可覆盖36.38%的记录级错误总量，而仅依据置信度选择时为33.02%；最优复核策略随骨干与复核预算变化。该结果支持将预测质量与复核分配作为两个独立目标评估，而不是用单一分类指标代替二者。 复现时需核对参考标签定义及其与 KSS 的关系、历史报告的时间可用性、折外错误生成流程，以及参与者宏平均指标与记录级复核指标的计算方式。数据集名称、自报告时间间隔、完整划分细节、消融及统计信息尚未验证；回顾性结果也不能直接视为在线部署效果。