arXiv（brain-computer interface）·2026-10-03 06:33· 22 天前AI 评分42

多模态生理信号解码在闭环神经反馈中揭示个体化唤醒动态

Multimodal Physiological Decoding Reveals Individualized Arousal Dynamics in Closed-Loop Neurofeedback

AI 导读

一项基于公开飞行任务数据集的离线分析显示，融合心率、心率变异性、呼吸、皮肤电活动和瞳孔直径的多模态深度学习解码器，对任务相关唤醒的受试者内 AUC 达 93.0%，高于纯 EEG 解码器的 85.2% 和 FBCSP 解码器的 79.8%。

AI 要点

团队

第一作者 Anirudh Natarajan，末位作者 Paul Sajda，共 2 位作者。

主要结果

外周信号解码器被试内 AUC 93.0%，EEG-only 85.2%，FBCSP 79.8%；仅外周解码器呈现 Yerkes-Dodson 倒 U 关系。

解决什么问题

检验外周生理信号是否比 EEG 更好地解码任务相关唤醒。

方法

使用困难边界规避飞行任务的公开数据集，受试者接受 EEG 神经反馈、假反馈或无反馈；基于心率、HRV、呼吸、皮肤电活动和瞳孔直径训练多模态深度学习解码器，全部为离线分析。

局限

从研究设计看，全部分析为离线，且反馈条件未改变唤醒轨迹；作者指出需前瞻性研究验证该方案。

AI 依据原文整理，未经人工核对。