乘客脑电能解码自动驾驶车辆中的危险感知吗？

信号来源是乘客而非驾驶员

这篇论文要回答的问题是：坐在高度自动化车辆中的人，其大脑活动能否被解码成两种不同的安全相关判断。研究不把人当作会介入驾驶的驾驶员，而是当作乘客，用其神经反应为车辆提供辅助监督信号。作者将这一思路定位为支持预期功能安全（SOTIF），即自动化系统遇到训练数据未覆盖场景时的问题。

研究区分了两个容易被混为一谈的认知时刻。风险预测（RP）问的是：在接近阶段、危险尚未发生之前，当前交通交互是否可能演变为风险相关情形。危险识别（DI）问的是：在事件起点附近或刚过起点时，是否真的已经出现了即时危险。因此RP是预判性问题，DI是识别性问题，论文把它们作为两个独立的二分类任务，并使用不同的脑电时间窗。

标注方案为何规定危险必然蕴含风险

标注设计是让两个任务可以相互比较的关键。每个自车与目标的交互用两个二值轴描述：风险与无风险，在事件起点之前定义为目标可能在5秒内做出危险动作；危险与无危险，在起点及之后定义为危险动作已经发生。无风险但危险的组合在构造上被排除，只留下三个有效等级：安全、低风险和高风险。

这一约束称为风险感知序列标注（RSL）。其结果是：RP对低风险和高风险样本都判为阳性，而DI只对高风险样本判为阳性。换言之，DI是嵌套在RP内部的更严格状态，每个危险样本在RP中也被计为风险。读者比较这两个准确率时应记住这种不对称：两个数字来自不同的标签定义和不同的时间窗，并不是同一个分类问题被评分两次。

时间窗遵循同样的逻辑。RP只使用−2.0至−0.5秒的事件前区间，从而保持严格的因果性。DI使用−0.2至1.0秒，覆盖事件起点及紧接其后的时段。

双分支的三维卷积循环网络

解码模型是三维卷积循环神经网络（3D-CRNN），它接收多通道脑电，并将其重塑为融入电极拓扑的三维表示。两个分支分别处理RP时间窗和DI时间窗，各自通过卷积阶段提取局部空间特征、时间特征和全局特征。分支特征沿时间轴拼接后送入一个含32个隐藏单元的门控循环单元，由它建模编码序列之间的依赖关系。

训练使用加权交叉熵损失以应对类别不平衡。RP分支用RP标签优化，DI分支用DI标签优化，随后融合表示再用DI标签做端到端优化，因此最终的DI预测同时利用分支专属特征和融合后的时间表示。论文把乘客认知模型、RSL与3D-CRNN解码器的这一组合称为乘客脑电解码策略。

风险预测较强，危险识别较低

报告的平衡准确率（BA）为：RP达到95.3% ± 2.7%。单受试者DI在加入RSL后达到85.0% ± 3.2%，未加入时为80.9% ± 3.9%。这一提升是论文最清晰的内部比较：在单受试者设置下，加入序列标注形式后，所提模型和大多数基线的DI都有改善。

95.3%与85.0%之间的差距并不意味着其中一个任务只是以同样方式更难。RP在事件前时间窗上评分，其阳性类别更宽，同时包含低风险和高风险样本；而DI必须单独挑出高风险象限。因此较高的RP数值既反映模型性能，也反映更容易的分离边界，两者不应被读成对解码难度的单一排序。

优势在不同事件类型上保持

逐事件分析报告称，3D-CRNN在RP和DI中都在不同事件类型上稳定优于其他模型。在带RSL的DI中，自动紧急制动场景的平衡准确率为77.8%，切入场景为88.0%，行人场景为79.9%。对比模型包括EGNet和ShallowConvNet（80.3%）、DeepConvNet（77.6%）、XGB-DIM（73.4%）、CTNet（68.2%）和DSC-ConvLSTM（72.2%）。

这些分场景数字之所以重要，是因为它们说明总体DI数值并非由某一类容易的事件撑起。在报告的三种类型中，切入事件的DI准确率最高，紧急制动最低，因此实际部署中的场景构成会改变预期性能。

准确率下降发生在未见受试者上

泛化实验区分了几种变异性。跨会话DI达到77.0% ± 5.3% BA，对应同一批参与者在不同会话中的记录。跨受试者评估在已见受试者上达到77.4% ± 1.1% BA，但在未见受试者上只有64.9% ± 8.5% BA。论文指出，该模型在跨受试者评估中取得最高的精确率、召回率和F1分数，但在未见受试者上的BA位列第二。

在未见受试者上降至64.9%，是论文中最具决策相关性的边界。它意味着解码器只能部分迁移到新的人身上，作者将原因归于年龄、性别、认知风格、风险容忍度、既往驾驶经验和神经反应模式等个体差异。任何关于乘客脑电已可作为实时车辆信号的说法，都必须对照这个数字，而不是对照95.3%的RP数值。

11名有效参与者构成的模拟器概念验证

数据来自一项驾驶模拟器研究，共招募15名参与者，其中11人提供了可用于分析的有效数据。参与者被当作乘客，因此驾驶经验不是参与前提。作者将这项工作描述为受控的概念验证研究，并把样本量中等、模拟器环境和受试者间变异性列为局限。

还有两项约束决定结果能走多远。RP与DI的分类体系覆盖可观察的自车与目标交互，例如行人穿越、车辆切入和前车紧急制动，因此作者将其呈现为面向交互型危险的操作性分类体系，而非对所有自动驾驶危险的完整描述。论文还指出，疲劳、警觉性下降以及对重复场景的习惯化，可能随实验推进削弱脑电反应，从而影响受试者内变异和跨会话变异。解码输出被描述为供下游自动驾驶动作使用的辅助信号，而这些动作本身并未在本研究中考察。

事件前风险是更可迁移的目标

论文自己的数字指向一个具体优先级，而非笼统背书。RP达到95.3% ± 2.7% BA，且建立在严格因果的事件前时间窗上；而DI在未见受试者上降至64.9% ± 8.5%。如果目标是获得一个无需逐用户校准、可跨人使用的辅助信号，那么在这份证据中，事件前风险任务是更强的候选，而危险识别任务最需要受试者无关建模。

场景划分也支持同一判断。DI准确率从紧急制动的77.8%到切入事件的88.0%，因此乘客来源的危险信号价值取决于运行环境中占主导的交互类型。论文的贡献在于表明，在受控环境中乘客脑电同时携带预判性信息和危险相关信息；它设定的实际门槛是：在把这一信号当作可部署的安全输入之前，应关注跨受试者迁移，而不是受试者内准确率。

本文引用的文献