驾驶疲劳对多层脑网络中跨频相位同步嵌入的影响

基于摘要分析。本研究针对驾驶疲劳的神经机制尚不清楚这一问题，将慢、快振荡之间的跨频耦合（CFC）纳入多层功能脑网络，比较清醒与疲劳状态的网络拓扑，并构建图神经网络（GNN）用于疲劳检测。 机制方面，研究以不同频率的子网络及其跨频联系描述脑网络，关注跨频相位同步与网络信息整合的关系。摘要称，GNN 用于模拟频率内子网络特征经由 CFC 扩散的过程；具体相位同步估计方法、频段边界、图构建规则、网络结构、损失函数及训练流程尚未验证。 数据与结果方面，作者使用了 20 名被试的 24 通道 EEG，报告疲劳状态的 CFC 增强，尤其体现在 beta–gamma 耦合以及额极、额叶和顶叶区域。作者还报告，疲劳状态下多层网络的全局效率与局部效率显著升高，并与反应时间密切相关。摘要未提供效应量、相关方向、统计检验及多重比较处理细节，因此这些关联尚不能解释为因果机制。 在上述疲劳检测任务中，作者报告 GNN 的分类 Accuracy 为 96.23%。但摘要未说明被试内或跨被试协议、训练测试划分、类别分布及对照基线，不能据此判断对新被试或新会话的泛化能力，也不宜与其他协议的结果直接比较。 复现时需核对疲劳状态的标注依据、EEG 预处理与伪迹控制、CFC 估计及多层网络构建方式，以及 GNN 是否相对频率内网络或不含 CFC 的模型提供增益。实验协议、消融及统计信息尚未验证；代码与数据可用性亦未确认。研究直接涉及 EEG 疲劳监测，但摘要不足以支持其已达到实际驾驶部署要求或能够降低交通事故的结论。