用于驾驶意图预测的 EEG 掩码建模

基于摘要分析。该研究面向 EEG 辅助驾驶，将任务从困倦状态识别扩展到左转、右转和直行意图预测，提出 Masked EEG Modeling（MEM）框架，并评估不同警觉状态及通道缺失或受损条件下的预测能力。 神经信号分析方面，作者报告，独立成分分析提示驾驶操作意图与中央—额区及顶叶区域的神经活动存在关联；群体水平的功率谱密度分析也显示不同驾驶意图在频域上具有明显差异。这些结果构成其利用 EEG 动态进行意图预测的依据，但不能仅凭摘要将关联解释为因果机制，或确认已充分排除驾驶动作相关伪迹。 方法方面，MEM 以 EEG 掩码建模为核心。摘要未说明掩码作用于哪些信号维度、采用何种训练目标，以及训练与推理阶段如何处理缺失通道，因此尚不能确定其是否使用自监督预训练、信号重建或其他具体机制。 结果方面，作者报告，在一个公开驾驶数据集上开展了定量与定性评估，方法可用于不同警觉状态下的驾驶意图预测；在困倦被试的驾驶意图预测中，Accuracy 为 85.19%。作者还报告，消融实验支持其处理缺失通道的灵活性，在超过一半通道缺失或受损时，Accuracy 仍超过 75%。摘要未给出数据集名称、被试数、被试内或跨被试划分、具体对照基线，以及通道损坏的生成方式和对应警觉状态，故这些数值不能直接用于跨协议比较。 复现时需核对意图标签与 EEG 时间窗的对应关系、训练测试划分、警觉状态定义、运动伪迹处理，以及缺失通道的选择方式。实验协议、消融及统计信息尚未验证；摘要中的预测表现也不等同于已验证的事故风险降低或真实道路部署效果。