.png){kind=icon}
返回
Predicting driving performance from resting-state EEG using explainable gradient boosting
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-64300-6.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
睡眠不足显著损害驾驶表现，凸显了需要基于脑电图（EEG）的标记物来关联不同嗜睡水平下的驾驶表现脆弱性。本研究记录了40名健康受试者在碎片化睡眠或完全睡眠剥夺后的静息态EEG信号，模拟了睡眠压力增高的条件。在睁眼和闭眼条件下，共进行了12次记录，并在昼夜不同时段采集数据，以纳入警觉状态、昼夜节律阶段和睡眠压力相关的变异性。随后，受试者完成20分钟驾驶模拟，其表现通过侧向位置标准差量化。我们开发了一个独立于受试者的框架，用于在异构记录条件下，仅用最少通道数的静息态EEG预测驾驶表现（安全与风险）。从与个体α波峰频率对齐的特定频率子频带中提取频谱特征，并采用基于Shapley加性解释（SHAP）的特征选择来提高可解释性，同时保持预测性能。SHAP还被用于表征特征对模型预测的贡献。分类采用CatBoost（梯度提升决策树算法）进行。该模型仅使用EEG衍生特征就实现了0.78的独立于受试者的分类准确率，当包含年龄时达到0.82，尽管存在显著的个体间和个体内变异性。闭眼静息时Pz电极的δ波和θ波功率是模型预测贡献最大的特征之一。仅使用两个EEG通道（Cz和Pz），梯度提升模型仍能维持相当的预测性能。这些发现支持在受控实验条件下，采用独立于受试者、低密度EEG建模来预测与驾驶表现相关结果的可行性。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
