基于原型多域 Mixup 的免校准驾驶员困倦分类

基于摘要分析。本文针对 EEG 驾驶员困倦分类中被试间与被试内信号差异导致的校准需求，提出面向未见被试的免校准分类框架。其核心是在源域原型之间进行 Dirichlet mixup，构造旨在覆盖未见域变化的增强特征，并用辅助批归一化处理增强样本的分布差异。 技术机制上，方法将被试视为域，通过源域原型的混合补充域知识；Dirichlet 分布的 α 向量用于调节混合强度，形成多样化增强。辅助批归一化模块用于降低增强样本与原样本分布差异对统计量估计的影响。该思路属于面向跨被试泛化的特征增强；摘要未说明原型的具体构建方式、α 的设置或学习策略，以及训练与推理阶段归一化模块的使用方式，相关细节尚未验证。 作者报告，在两个分别采用 Karolinska sleepiness scale 和反应时间作为困倦指标的 EEG 数据集上，使用留一被试交叉验证，F1 分别为 62.69% 和 70.33%，AUROC 分别为 71.73% 和 73.80%。这些结果对应不同困倦指标下的各自评估，不能直接据此比较两种指标的分类难度。摘要未提供数据集名称、被试数量、类别定义、对照方法及提升幅度，因此尚不能量化其相对已有方法的优势。 复现时需核对免校准的具体边界，包括目标被试数据是否参与任何预处理统计量估计，以及原型、混合强度和辅助批归一化的构建与选择是否严格限定于训练被试；这些均为待核对事项，并非已发现的协议问题。完整实验协议、消融及统计信息尚未验证。作者将结果解释为免校准 BCI 实际应用的潜力证据，但摘要中的离线跨被试评估尚不足以确认真实驾驶环境下的在线可靠性。