基于多模态 EEG 特征融合的疲劳驾驶检测

基于摘要分析。该研究针对疲劳驾驶 EEG 检测中的特征提取困难、模型泛化能力不足与参数调优复杂等问题，提出多模态 EEG 特征融合模型 MEFD-Net，通过三个子网络提取互补特征，实现无需手工特征选择的端到端分类。摘要中的“多模态”主要指 EEG 的多维特征表征，未明确涉及其他传感器模态。 模型的时间域分支采用结合 GeLU 激活的增强型 BiLSTM 捕获时间动态；时间不变特征分支结合加权自适应多尺度卷积、残差连接与自注意力机制；空间—频率域分支采用纯卷积架构。摘要未说明各分支的输入表示、融合位置、训练目标，以及时间不变性的具体定义与验证方式，相关实现细节尚未验证。 作者报告，相较现有主流算法，检测 Accuracy、Recall 和 F1 分别平均提升 7.09%、5.56% 和 4.38%。摘要未明确这些数值属于相对百分比提升还是百分点差异，也未提供对应数据集、被试规模、划分协议、基线名称与绝对分数，因此不能直接用于跨研究比较。作者还报告模型在复杂、不稳定 EEG 信号上表现更优，但该表述不足以确认跨被试、跨会话泛化或特定噪声条件下的容错能力。 复现时需核对疲劳标签定义、EEG 预处理及窗口划分、训练测试数据的隔离方式、各分支与融合机制的消融，以及参数调优成本和统计不确定性。上述实验协议、消融及统计信息尚未验证；本材料为预印本摘要，尚不能据此判断真实驾驶环境中的部署有效性。