arXiv（brain-computer interface）·· 2026-09-07AI 评分31
基于 EEG 的脑机接口解码高度自动驾驶车辆乘客危险感知
EEG-Driven Decoding Framework for Passenger Hazard Perception in Highly Automated Vehicles
AI 导读
研究团队提出一套 EEG 脑机接口框架，将乘客神经响应解码用于高度自动驾驶场景下的风险预测（RP）与危险识别（DI），并配套提出 Passenger Cognitive Model、Risk-aware Sequential Labeling 与 Passenger EEG Decoding Strategy，联合使用 3D-CRNN 模型进行 EEG 解码。
AI 要点
团队
末位作者 Hong Wang（通讯作者），第一作者 Yingkai Yang，共 13 位作者。
主要结果
3D-CRNN 在风险预测（RP）上平衡准确率 95.3%±2.7%；单被试危险识别（DI）经 RSL 从 80.9%±3.9% 提升到 85.0%±3.2%。
解决什么问题
自动驾驶的风险评估，用乘客脑电作为非侵入式辅助信号，同时做风险预测与危险识别。
方法
以人为乘客建模，提出 PCM、RSL 与 PEDS，用 3D 卷积循环神经网络（3D-CRNN）联合解码脑电。
局限
从研究设计看，跨被试未见被试准确率降至 64.9%±8.5%，泛化仍受限；属离线解码框架，未涉及实车闭环。
AI 依据原文整理，未经人工核对。
来源：arXiv（brain-computer interface） · arxiv.org