GraTED：用于自动驾驶车辆中乘客危险感知的图-张量EEG解码

乘客脑电图（EEG）可通过危险事件发生前的预期性反应以及事件发生前后的神经反应来揭示道路风险。然而，现有的EEG解码方法往往将具有生理意义的电极排布映射到人工二维网格上，从而将高阶的时间-特征表示展平为矩阵，掩盖了数据中有意义的结构。为保留并利用EEG记录的空间与时间-特征结构，我们提出了图-张量EEG解码模型（GraTED），用于自动驾驶场景下的乘客风险预测（RP）与危险识别（DI）。GraTED根据电极在头皮上的位置将其排布建模为无向图，利用图卷积捕捉空间依赖关系，并采用低秩张量分类以保留多维时间-特征结构，同时控制模型复杂度。在包含11名参与者和45小时记录的PassengerEEG数据集上进行评估，GraTED在全部三种评估设置下均取得了与最先进方法相比最高的平衡准确率，同时在七种基线方法中所需可学习参数最少。

中文由 AI 翻译，仅供参考，以原文为准。