SAFE-Drive：用于真实驾驶场景多模态驾驶员情绪识别的协同自适应融合框架

基于摘要分析。该研究针对真实驾驶环境中噪声干扰与个体差异导致的驾驶员情绪识别困难，提出 SAFE-Drive，通过融合 EEG、面部视频与 EDA 信号，并结合少样本目标被试校准，提高多模态情绪识别的适应能力。其主要研究对象是驾驶员状态监测，摘要未将该框架描述为 EEG 基础模型。 方法上，SAFE-Drive 利用协同多模态表征学习与跨模态注意力，在统一特征空间中建模不同信号之间的互补关系；基于注意力的自适应融合策略随时间窗口动态调整各模态贡献，以减轻噪声或低质量模态表征的影响。此外，框架将源域选择与被试自适应训练结合，通过预训练和少样本微调缓解被试间差异。摘要未提供具体网络结构、损失函数及源域选择准则。 作者在自采真实驾驶数据集上开展实验，并使用公开 PPB-Emo 数据集中的可用模态进一步评估迁移能力。作者报告，在少样本适应的留一被试法（LOSO）协议下，平均 Accuracy 为 80.25%，宏平均 F1 为 79.91%。该评估包含目标被试的有限校准，不等同于完全不使用目标被试校准数据的跨被试泛化；摘要未单独给出 PPB-Emo 的迁移结果。 复现与证据核对的重点包括：情绪类别与标注方式、被试规模、时间窗口构建、目标被试校准样本量及其与测试集的隔离方式，以及多模态融合、源域选择和少样本微调各自的增益。实验协议细节、对照基线、消融及统计信息尚未验证，代码与自采数据的可用性也尚未验证。现有摘要支持将其视为真实驾驶多模态情绪识别方案，但不足以推断其对其他 EEG 或 BCI 任务的有效性。