TFormer：用于驾驶员疲劳识别的采用批归一化的时频 Transformer

基于摘要分析。该研究针对跨被试 EEG 驾驶员疲劳识别，提出从原始 EEG 自动学习全局时频模式的 TFormer，旨在补充以往 Transformer 方法侧重全局时域信息、较少关注全局频域模式的建模方式。 TFormer 包含三个主要组件：卷积前端用于输入嵌入；时频多头交叉注意力（TF-MCA）将时域模式整合到频率点；自注意力进一步学习全局时频模式。其方法关注点不仅是引入 Transformer，也包括根据 EEG 特性调整原本面向自然语言处理的标准架构。摘要未说明频率表示的构建方式、交叉注意力的具体计算过程、损失函数及训练配置，这些实现细节尚未验证。 作者报告，在所研究的跨被试 EEG 解码设置中，批归一化（BN）比层归一化（LN）更合适，并报告 TFormer 相较已有方法具有性能优势。但摘要未提供数据集、被试数量、训练与测试划分、对照方法名称或具体指标，因此目前无法判断优势幅度及其跨数据条件的稳定性，也不宜将 BN 的结论推广至所有 EEG 任务。 复现时需核对跨被试划分、预处理与频域表示、BN 统计量在训练和推理阶段的处理方式，以及 TF-MCA 和归一化比较的控制条件。实验协议、消融及统计信息尚未验证；现有材料支持将其视为驾驶员疲劳 EEG 解码方法研究，而非已验证的实际道路安全干预效果。