2026-09-10 00:00 论文发表基础与方法译自 EN

乘客脑电帮自动驾驶AI提前识别风险，模型平衡准确率95.3%

内容概述研究者让乘客在高度自动化车辆中观看驾驶场景，同时记录脑电信号，训练模型判断前方是否存在风险以及危险出现在哪里。3D-CRNN在风险预测任务上达到95.3%±2.7%的平衡准确率，危险识别从80.9%提升到85.0%；跨被试测试中，模型对未见过乘客的平衡准确率降至64.9%±8.5%，说明离实际部署仍有距离。

推荐理由把乘客当成信号源而不是驾驶员，是这条路线与多数脑控车辆研究的分界。风险预测95.3%、危险识别85.0%是在被试内测得的，跨被试掉到64.9%，说明模型对个人脑电差异仍然敏感。论文已被《Automotive Innovation》接收，但当前仍是预印本，尚未经同行评审。

脑机百科消息(bciwiki.com)，一项于2026年9月7日上传至arXiv预印本平台的研究提出了一套面向高度自动化车辆的脑电解码框架，把乘客而非驾驶员作为信号来源。研究团队让乘客在车辆行驶过程中观看驾驶场景，同步采集脑电信号，据此判断前方是否存在风险，以及危险出现在哪个位置。在风险预测任务中，所提出的3D卷积循环神经网络（3D-CRNN）达到95.3%±2.7%的平衡准确率；引入风险感知序列标注（RSL）后，单被试危险识别从80.9%±3.9%提升至85.0%±3.2%。该研究已被《Automotive Innovation》接收，但当前版本尚未经同行评审。研究同时给出了泛化能力的边界。在跨会话危险识别中，3D-CRNN的平衡准确率为77.0%±5.3%；跨被试评估中，对已见过被试为77.4%±1.1%，对未见过被试降至64.9%±8.5%。作者称，这些结果表明乘客认知信号可为未来自动驾驶决策和预期功能安全（SOTIF）提供辅助监督，但模型对个体差异的敏感性仍是待解问题。论文共31页，含8幅图、13张表及附录，数据与代码已公开。

本文由 BCIwiki 根据公开信息撰写

关联信源 · 1

arxiv.org 2026-09-07

侵入式脑机接口神经信号解码脑电

阅读原文 ↗

指正修订记录 · 无中 / EN