脑电疲劳检测不再只看频带强弱：LBSNet用可学习频谱原型给每个时间窗分配权重
核心概要
脑电疲劳检测此前把多频带建模与时间加权分开处理，没有说明一个时间窗内的频谱结构该如何决定它对预测的贡献。LBSNet把每个窗口的相对跨频带活动编码成归一化描述子，与可学习频谱原型软匹配，再结合原型重要度生成时间权重来聚合功率。在SEED-VIG与SADT的受试者独立实验中，它的准确率和F1均高于七个基线，且参数量与乘加运算量在对比模型中最低。
深度剖析
脑电疲劳检测多了一条把局部频谱结构与时间聚合连起来的路径：每个时间窗的跨频带相对活动先被识别为某种潜在脑状态，再由这种状态决定该窗口在最终预测中占多大分量。 此前的多频带模型与自适应时间处理各自捕捉疲劳脑电的不同侧面，但没有明确一个区间的频谱结构应如何影响它的时间贡献。 在SEED-VIG与SADT的受试者独立五折交叉验证中，LBSNet的准确率和F1-score均高于七个基线；相对最强基线MB-STFormer，SEED-VIG上准确率与F1分别提高1.26和1.21个百分点，SADT上分别提高2.68和2.77个百分点。
网络先把脑电分解到五个经典频带，用各频带专属的时间卷积和跨频带共享的空间投影得到紧凑特征，再按全局频谱活动重新校准五个频带的相对权重。 频谱原型是一组可学习的跨频带活动模板，每个窗口的归一化频谱描述子与它们做软匹配，匹配结果乘以原型重要度后成为该窗口的时间权重。 在SADT上，LBSNet的平均准确率为73.74%，只需2.89 M乘加运算和1.30 K可训练参数，二者均为对比模型中最低；相对MB-STFormer，乘加运算减少89.9%，参数量减少98.3%。
消融实验把增益归到原型引导的时间加权上，而不只是“可学习的时间权重”本身。 把学习到的时间权重换成均匀池化，或把原型匹配换成参数量匹配的MLP注意力，性能都会下降。 换成均匀池化后，SEED-VIG上准确率与F1分别下降2.48和2.90个百分点，SADT上下降1.78和0.81个百分点；相对MLP注意力变体，LBSNet在SEED-VIG上准确率与F1分别高2.10和3.50个百分点，在SADT上分别高1.19和1.31个百分点。
启示与展望
结论建立在SEED-VIG与SADT两个驾驶疲劳脑电基准上，采用受试者独立五折交叉验证，SEED-VIG保留17个通道并降采样到200 Hz、切成8秒样本，SADT使用全部30个通道的3秒样本；读者应把这些离线基准结果当作适用范围，而不是车载实时系统的验证。
原型的频谱解释来自SEED-VIG上的可视化分析，P1在疲劳样本中占65.6%的分配、P2在清醒样本中占71.6%，随PERCLOS上升P1比例总体增加、P2减少，这些是关联性观察；材料未报告跨数据集的原型一致性或在线场景下的表现。