基于深度迁移学习的 EEG 跨数据集驾驶员困倦识别基准评估

基于摘要分析。研究针对 EEG 驾驶员困倦监测中校准数据采集耗时、不同实验环境造成跨数据集分布漂移的问题，提出 Entropy-Driven Joint Adaptation Network（EDJAN），通过联合利用源域和目标域信息改善 Cross-dataset 识别。 方法包含两个明确机制：熵驱动损失用于促进目标域表征聚类，个体级域适应用于缓解测试被试的分布差异。摘要未提供损失公式、网络结构、训练流程，以及目标域标签是否参与训练，因此尚不能确定其具体监督条件或部署时的数据需求。 作者报告，在 SADT 为源域、SEED-VIG 为目标域的 Cross-dataset 设置下，Accuracy 为 83.3%；反向设置下，Accuracy 为 76.7%。作者称结果优于所比较的其他 SOTA 方法，但基线名称、数据划分、被试组织方式及统计不确定性尚未验证，两个迁移方向也不应视为同一协议直接比较。摘要首次列举数据集时写作“SEEG-VIG”，结果段写作“SEED-VIG”，名称存在不一致，需以全文确认。 作者还使用全局与局部解释方法分析结果，但具体解释工具及发现未在摘要中展开。复现时应重点核对目标域适应与最终测试的数据边界、个体级适应是否需要每名测试被试的数据，以及免校准是否仍依赖目标域数据采集。实验协议、消融及统计信息尚未验证；摘要支持其作为减少校准负担的研究方向，尚不足以确认实际驾驶场景中的免校准有效性。