用于车内驾驶员认知负荷测量的多模态 BCI：数据集与基线

基于摘要分析。该研究面向驾驶员认知负荷测量，提出多模态数据集 CL-Drive，采集 EEG、ECG、EDA 及眼动数据，并提供机器学习与深度学习分类基线。其主要贡献是驾驶模拟场景下的数据资源与评估基线，而非摘要中已明确描述的新型解码算法。 数据采集涉及 21 名被试，在沉浸式车辆模拟器中通过不同驾驶条件诱发不同认知负荷。任务包含 9 个复杂度等级，每个等级持续 3 分钟；每名驾驶员在实验过程中每 10 秒报告一次主观认知负荷，数据集将这些主观报告作为真值标签。任务复杂度与主观负荷是不同概念，二分类、三分类标签如何由主观报告形成，尚需核对。 作者报告，在二分类和三分类标签设置下，分别采用手工特征与原始数据训练多种机器学习和深度学习模型，并使用 10 折评估与留一被试法（LOSO）两种协议提供基准结果。LOSO 对应跨被试评估；摘要未说明 10 折划分的具体单位，因此不能将其直接认定为被试内评估，也不能将两种协议的表现直接比较。摘要未提供模型名称、具体指标数值或多模态融合方式，当前无法判断不同输入模态和建模方法的相对收益。 作者表示公开该数据集。复现时需进一步核对信号采样率与同步方式、预处理和窗口切分、主观标签与信号窗口的时间对齐、类别阈值与分布，以及不同评估协议的具体划分。实验协议细节、消融及统计信息尚未验证。主观报告标签并不等同于独立客观的认知负荷测量；模拟驾驶条件下的结果也不能直接外推至真实道路驾驶。