用于车内驾驶员认知负荷测量的多模态 BCI：数据集与基线

基于摘要分析。该研究面向驾驶员认知负荷测量，提出多模态数据集 CL-Drive，并提供机器学习与深度学习分类基线，支持比较手工特征与原始信号建模路线。 数据采集：作者在沉浸式车辆模拟器中采集了 21 名被试的 EEG、ECG、EDA 与眼动数据，通过不同驾驶条件诱发不同认知负荷。实验任务包含 9 个复杂度等级，每个等级持续 3 分钟；驾驶员在实验过程中每 10 秒报告一次主观认知负荷。数据集将这些主观报告作为认知负荷真值，因此标签首先反映被试自评，而非独立的客观负荷测量。 基线与协议：作者报告针对二分类和三分类标签设置，使用手工特征及原始数据训练不同机器学习、深度学习模型，并采用 10 折与留一被试（LOSO）两种评估。LOSO 可用于考察跨被试泛化；摘要未明确 10 折是否按被试分组，因此不能将其直接归为被试内或跨被试评估，也不能把两种协议的结果直接比较。摘要未给出具体模型名称、分类指标或数值，尚无法判断不同模态及建模路线的相对表现。 复现时需核对主观评分到二分类、三分类标签的映射方式，信号窗口与每 10 秒自评的时间对齐，多模态同步及融合方式，以及预处理、特征提取和数据划分的具体流程。实验协议、消融及统计信息尚未验证；数据获取条件也需查阅全文或配套材料。该数据来自模拟驾驶场景，对真实道路驾驶的适用性仍需独立验证。