使用 LSTM 神经网络进行连续警觉度估计

基于摘要分析。该研究针对连续警觉度估计，提出结合 EEG 与前额 EOG 的多模态 LSTM 方法，同时利用两种信号的互补信息和警觉度变化的时间依赖，预测连续警觉度水平。 核心机制是用 F-LSTM 与 S-LSTM 两种架构编码 EEG、EOG 时间序列，形成高层联合表示，再由该表示预测警觉度。摘要明确提出多模态融合和时间依赖建模两个设计方向，但未展开两种架构的具体差异、融合位置、输入特征、序列窗口、预测目标或损失函数，这些实现细节尚未验证。 作者报告，在文中实验条件下，两种 LSTM 多模态结构均较单模态模型和不建模时间依赖的模型改善了警觉度估计性能。这一结论支持进一步核对多模态信息与时序建模各自的贡献，但摘要未提供具体指标、提升幅度、数据集、被试数，以及被试内、跨被试或跨会话评估背景，不能据此判断泛化能力或比较其他研究的结果。 复现前需核对 EEG 与 EOG 的同步及预处理、警觉度标签的来源、序列构建方式、训练与测试划分，以及对照模型的配置。实验协议、消融及统计信息尚未验证。该工作的主要研究对象是多模态生理信号驱动的连续警觉度估计；摘要不支持将其效果外推至运动想象、SSVEP 或其他 BCI 任务。