这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
基于混合脑电图与眼动追踪的驾驶疲劳检测研究
1. 研究团队与发表信息
本研究由Zequan Lian（五邑大学电子与信息工程学院）、Tao Xu（汕头大学生物医学工程系）、Zhen Yuan（澳门大学健康科学学院及认知与脑科学中心）、Junhua Li（英国埃塞克斯大学计算机科学与电子工程学院）、Nitish Thakor（约翰霍普金斯大学生物医学工程系）及Hongtao Wang（五邑大学电子与信息工程学院，通讯作者）合作完成，发表于2024年11月的《IEEE Journal of Biomedical and Health Informatics》（第28卷第11期）。研究得到五邑大学重点领域专项、粤港澳联合研究项目（2019WGALH16）及广东省国际科技合作项目（2023A0505050144）资助，并获江门市中心医院伦理委员会批准（[2021]8A）。
2. 学术背景与研究目标
科学领域：研究属于生物医学工程与智能交通交叉领域，聚焦驾驶疲劳检测（driving fatigue detection）的算法优化。
研究动机：疲劳驾驶是交通事故主因之一，现有单模态检测方法（如基于脑电图EEG或眼动追踪）因信息不完整导致跨会话（cross-session）和跨被试（cross-subject）性能下降。
研究目标：提出一种融合EEG与眼动追踪的多模态架构，通过跨模态预测对齐（cross-modal predictive alignment）和注意力机制提升检测鲁棒性。
3. 研究流程与方法
研究对象：14名健康被试（9男5女，平均年龄21.6±1.4岁），每人完成两次90分钟模拟驾驶实验（共28次实验），实验时段为下午2-5点（疲劳易发时段）。
实验设计：
- 数据采集：
- EEG：使用32通道Brain Products LiveAmp帽采集（采样率250Hz），预处理包括坏道插值、1-40Hz带通滤波、独立成分分析（ICA）去眼电伪迹。
- 眼动追踪：Tobii Glasses 2采集（采样率100Hz），通过速度阈值识别（I-VT）滤波器提取8项特征（如注视时间、扫视幅度等）。
- 标签划分：实验开始10分钟标记为“清醒”（alert），最后10分钟标记为“疲劳”（fatigue），通过问卷验证标签有效性。
算法架构：
1. 编码模块：
- EEG编码器：三层卷积网络（时域滤波、空域滤波、深度时域滤波），输出1×64特征向量。
- 眼动编码器：多层感知机（MLP）处理60秒窗口的8维特征，输出1×64向量。
2. 融合模块：
- 跨模态预测对齐：通过MLP预测另一模态特征，优化余弦相似度损失（含梯度截断策略避免退化解）。
- 一维注意力模块：增强特征表征，权重通过两层MLP计算。
3. 分类器：线性分类器输出疲劳状态。
评估方法：
- 任务设计：会话内（intra-session）、跨会话（cross-session）、跨被试（cross-subject）三类评估。
- 对比方法：EEG单模态、眼动单模态、深度典型相关分析（DCCA）、深度广义典型相关分析（DGCCA）。
4. 主要结果
- 模态数据分析：
- EEG：疲劳状态下前额叶皮层theta、alpha、beta频段功率显著增加（p<0.01），顶枕叶alpha功率上升（图4）。
- 眼动：疲劳期扫视次数（saccade count）和平均持续时间显著增加（p<0.05），短时注视（<150ms）比例上升（图5，表I）。
- 检测性能：
- 会话内：准确率99.93%（±0.05%），显著优于单模态（EEG 98.84%，眼动91.61%）及DCCA/DGCCA（99.60%/99.72%）。
- 跨会话：准确率88.67%（±1.00%），较EEG单模态提升8.52%。
- 跨被试：准确率78.19%（±0.56%），优于DCCA（77.64%）和DGCCA（77.75%）。
- 消融实验：跨模态对齐模块在跨会话和跨被试任务中分别提升性能3.79%和1.52%，而注意力模块在跨被试任务中因数据分布差异导致性能下降1.78%。
5. 结论与价值
科学价值：
- 提出首个结合EEG与眼动追踪的跨模态预测对齐框架，解决了传统CCA方法在特征可分性上的局限。
- 通过UMAP可视化证实多模态特征在潜在空间中具有更高类内聚合度（图8）。
应用价值：为实时驾驶疲劳监测系统提供了高精度、鲁棒性强的解决方案，尤其适用于跨设备场景。
6. 研究亮点
- 方法创新：非CCA的跨模态对齐策略与一维注意力模块结合，首次应用于疲劳检测。
- 数据验证：在公开数据集SEED-VIG上准确率达96.92%，较DCCA提升9.97%。
- 可解释性：前额叶皮层通道权重最高（图9），与神经科学结论一致。
7. 其他发现
- 时间窗口优化：眼动特征生成窗口延长至60秒可提升跨会话任务性能至88.59%（图7）。
- 局限性：需双设备同步采集，在线应用时需预填充长窗口数据。
（注：全文约2000字，涵盖研究全流程及核心发现，符合学术报告规范。）