用于单通道 EEG 跨被试驾驶员疲劳检测的紧凑且可解释卷积神经网络

基于摘要分析。该研究针对单通道 EEG 驾驶员疲劳检测中的跨被试差异，提出紧凑且可解释的卷积神经网络（CNN），旨在学习不同被试共享的判别特征，为免校准检测提供方法探索。 核心机制是在模型中引入 Global Average Pooling（GAP），使 Class Activation Map（CAM）能够定位输入信号中对分类贡献较大的区域。摘要未给出网络层数、参数量、损失函数或训练配置，因此“紧凑”的具体计算与存储成本尚未验证；CAM 提供的是模型判别依据的可视化，不能单独确立生理因果关系。 作者报告，在涉及 11 名被试的二分类跨被试 EEG 评估中，模型平均 Accuracy 为 73.22%，高于所比较的传统机器学习方法及其他深度学习方法。摘要未列出数据集名称、具体被试划分、片段生成方式、基线名称及各基线结果，实验协议、消融及统计信息尚未验证；这一结果不能直接视为真实驾驶环境中的免校准部署效果。 作者报告，CAM 可视化显示模型将 Alpha spindles 和 Theta burst 等具有生理解释的特征作为疲劳状态的证据，同时利用肌肉伪迹与传感器漂移识别清醒状态。后者是重要的核对点：模型可能利用与状态相关、但也依赖采集条件的线索，其跨设备或跨会话稳定性尚未验证，不能据此断言存在数据泄漏或实验设计问题。 复现时需核对单通道位置、预处理与伪迹处理、疲劳标签定义、跨被试划分及模型训练配置。可进一步比较保留与抑制伪迹条件下的跨被试 Accuracy 和 CAM 定位，检验清醒状态的判别是否过度依赖采集相关线索；这是待检验的建议，并非作者已报告的结果。