面向真实世界困倦检测的脑解码研究

基于摘要分析。这项学位论文研究如何将用于困倦检测（DD）的 EEG BCI 从实验室推向真实应用，主要贡献是提出仅从非毛发覆盖（NHB）区域采集 EEG 的检测方案，以及利用其他被试数据和清醒基线减少校准时间的跨被试迁移框架。 研究使用模拟驾驶车道保持任务中采集的 EEG 数据，探索脑信号与困倦状态的关联；摘要将该数据集描述为大规模，但未给出被试数、记录规模或困倦标签的构建方法。NHB DD-BCI 旨在提高佩戴舒适性和使用便利性。作者报告，在清醒／困倦分类评估中，NHB 区域 EEG 方案与全头皮 EEG 方案的 Accuracy 无显著差异；这一结果不能直接解释为两种方案已被证明等效，具体效应大小与统计检验尚未验证。 跨被试迁移框架利用其他被试的既有数据，并引入清醒基线以提高被试间模型迁移效率。作者报告，该方法显著减少了 DD-BCI 的校准时间，提示其具有支持即插即用脑解码的潜力。摘要未说明迁移算法、清醒基线的采集要求、目标被试数据用量或校准时间的具体定义，因此尚不能判断实际部署所需的准备成本。 目前证据来自模拟驾驶，而非真实道路验证。实验协议、数据划分、对照基线、消融及统计信息尚未验证；复现时需从全文核对 NHB 电极位置、预处理与分类方法、迁移训练流程，以及校准时间和分类性能之间的权衡。