乘客遭遇道路紧急事件时的 EEG 信号解码

基于摘要分析。该研究探讨乘客的 EEG 能否区分道路紧急与非紧急事件，结合 ERP 分析与机器学习分类，并在实车自动紧急制动（AEB）实验中验证相关发现。主要研究对象是乘客对道路危险的脑电响应，而非驾驶员的操控意图。 实验采集了 9 名参与者的 64 通道 EEG。参与者观看以前排乘客视角呈现的模拟驾驶视频，场景包含行人站在道路右侧及突然横穿道路。研究使用 ERP 分析两类道路事件的响应，并采用正则化线性判别分析（RLDA）进行分类；具体预处理、时间窗、特征构建及正则化设置尚未验证。 作者报告，响应比反应提前 454 ± 234 ms，但摘要未明确两者的操作性定义，也未说明“±”对应的统计量。作者报告，在上述模拟视频任务中，RLDA 的平均识别 Accuracy 达到 95.81%；摘要未提供被试内或跨被试评估、训练测试划分及对照基线，因此不能据此判断对新乘客或新场景的泛化能力。作者还报告在实车 AEB 实验中验证了发现，但该实验的参与者规模、事件设置及量化结果尚未验证。 作者据此提出，基于 EEG 的人本辅助驾驶系统具有用于高等级自动驾驶车辆的潜力；这尚不等同于已证明在线部署能够提升安全性。后续阅读应重点核对响应时序、分类窗口与实际可用预警时间的关系，以及实车运动伪迹和场景变化对识别的影响。实验协议、消融及统计信息尚未验证。作者将该工作称为首次研究模拟与真实自动驾驶紧急情境下乘客 EEG 的研究，该优先性声明尚未独立核实。