基于 EEG 的自监督进化认知神经动力学学习与身份流形
神经与进化计算
2026-03-10 v1
摘要
在安全关键的交通环境中，人类-vehicle 交互越来越多地采用神经感知来推断用户意图和认知状态，但大多数现有方法要么将脑电图（EEG）当作静态生物识别凭证，要么训练特定任务的解码器而忽略长期神经动力学轨迹，缺乏安全用户身份和持续建模演化认知状态的机制。本文提出一种自监督进化学习（SSEL）框架，直接从连续 EEG 中发现个体化的神经动力学进展和内在身份流形，而无需外部标签或预定义的认知阶段模型。SSEL 在阶段内temporal predictability、边界 contrast、跨 trial alignment 以及稀疏阶段特定特征权重之间联合优化，同时基于群体的进化搜索实现对离散、非可微的候选分段空间的直接优化。在进行模拟路过决策任务所记录的 EEG 数据上对该框架进行验证，该任务是安全关键情境中常见的情境，其中感知评估、风险评估和决策承诺随时间展开。所学得的分段揭示了稳定的、特定于个体的阶段结构和神经动力学特征，支持身份验证和异常检测。与基于推断的分段方法相比，SSEL 在边界 contrast 上提高了数量级，在意图边界的跨 trial 普化上实现了显著提升，并提供了更具可解释性的稀疏阶段特征归因。除了性能之外，该框架发展了一种基于认知神经动力学的进阶视角，其中安全性、韧性和个性化从大脑活动的内在时序结构中涌现，具有推动下一代智能城市和交通基础设施的意义。
引用
@article{arxiv.2603.07334,
title = {Self-Supervised Evolutionary Learning of Neurodynamic Progression and Identity Manifolds from EEG During Safety-Critical Decision Making},
author = {Xiaoshan Zhou and Carol C. Menassa and Vineet R. Kamat},
journal= {arXiv preprint arXiv:2603.07334},
year = {2026}
}