IEconformer：用于基于 EEG 的疲劳驾驶检测的鲁棒卷积 Transformer

基于摘要分析。研究针对 EEG 疲劳驾驶检测中的非平稳信号特征提取和训练标签噪声问题，提出 IEconformer 集成模型，将多尺度卷积、多头注意力与 co-teaching plus 训练机制结合，以提升疲劳检测及噪声标签条件下的鲁棒性。 在特征建模方面，多尺度卷积用于提取局部特征，多头注意力用于捕捉全局特征关联。作者以卷积网络感受野受限、难以充分处理疲劳 EEG 的非平稳性作为方法动机；摘要未说明具体尺度、网络配置、位置编码或输入表示，这些实现细节尚未验证。 在抗噪训练方面，co-teaching plus 利用模型预测存在分歧的数据，并依据各自模型上的低损失样本进行交叉更新，旨在减少对错误标签的过拟合。摘要未给出样本筛选比例、更新日程、集成方式及标签噪声构造方法，尚不能确定其对不同噪声类型和强度的适用范围。 作者报告，在其疲劳检测实验中，IEconformer 集成优于对照模型，并在训练数据含噪声时保持较高性能。但摘要未提供数据集、被试数、被试内或跨被试划分、对照模型名称及具体指标，因此无法量化收益，也不能将结果直接解释为跨被试、跨会话或真实车辆部署能力。 复现时需核对 EEG 预处理与样本划分、标签来源及噪声设置，并确认多尺度卷积、注意力、co-teaching plus 和模型集成各自的贡献。实验协议、消融及统计信息尚未验证；代码与运行条件也尚未确认。摘要中的应用前景属于作者对智能车辆疲劳检测的判断，不等同于已完成真实道路场景验证。