AAAI2026上海科技大学提出MUSE：基于不确定性感知的多生理模态自驱动融合框架

上海科技大学胡宏林团队提出了一种名为MUSE的不确定性感知自适应多模态融合框架，用于驾驶疲劳监测。该框架通过将各生理模态（如EEG、EOG）的预测不确定性作为信号可靠性和潜在风险的指标，并构建决策级权重指数更新机制，实现了在无标签、高噪声和强非平稳性环境下的自适应调整。MUSE能够在复杂驾驶条件下优化多模态信息的协同利用，显著提升疲劳检测的准确性和稳定性。基于SEED-VIG数据集的实验结果表明，MUSE在跨被试、信号质量波动和模态退化等条件下均表现出优于单模态、静态融合及多种动态融合方法的性能。此外，研究还基于遗憾理论分析，证明了MUSE在长期运行下能够逐步趋近贝叶斯最优融合策略。这一创新方法为解决驾驶疲劳监测中的核心问题提供了新的思路和技术支持。