使用 EEG 与深度学习解码自动驾驶人机交互中的能动感相关神经状态

基于摘要分析。本研究面向自动驾驶人机交互中的能动感，即个体对自身行动及其后果的控制体验，探索能否从持续 EEG 中解码相关神经状态。研究使用基于 EEGNet 的模型，对反馈前单试次 EEG 所对应的实验条件进行离线分类，并考察跨被试泛化及频段贡献。 研究包含两项实验，分别通过决策权限（人类控制或 AI 控制）与系统可解释性（AI 提供或不提供基于意图的解释）调节能动感。作者报告，两种操纵均显著改变了参与者的主观控制感。需要注意，摘要明确描述的解码目标是调节能动感的实验条件，而非直接预测连续的主观能动感评分，两者不能等同。 作者报告，模型在被试内评估中表现稳健，在采用留一被试框架的跨被试评估中仍显著高于机会水平，提示相关表征具有部分跨被试泛化能力。摘要未提供被试人数、具体性能数值、指标及被试内划分方式，因此无法判断效果量或比较不同协议下的性能。 机制分析方面，作者报告，频谱消融显示低频活动，尤其 delta 和 theta 频段，对解码贡献最大；互补的时频分析显示，在按键后、反馈前的时间区间，低能动感条件下这些频段的功率更高。作者据此将相关低频动态解释为与预测性监控过程有关的信息，但这些关联尚不能确立其对能动感的特异性或因果作用。 该工作的证据范围是离线单试次 EEG 解码，实时监测及动态调节自动化程度、解释方式仍属于未来应用方向。复现时需核对预处理、分析时间窗、标签定义、数据划分、机会水平检验及频谱消融实现，并检查条件相关的动作或任务差异是否影响解码。完整实验协议、消融细节及统计信息尚未验证。