可靠的风险评估是自动驾驶车辆的核心难题。尽管自动化程度不断提升，乘客的认知信号仍可作为非侵入式的辅助信息，提高客观安全性和主观安全感，且无需主动干预。本文提出一种基于脑电图（EEG）的脑机接口（BCI），用于解码乘客的神经响应，实现风险预测（Risk Prediction, RP）和危险识别（Danger Identification, DI），并将乘客建模为真实使用场景中的乘员。为此，我们设计了乘客认知模型（Passenger Cognitive Model, PCM）、风险感知序列标注（Risk-aware Sequential Labeling, RSL）以及乘客EEG解码策略（Passenger EEG Decoding Strategy, PEDS），其中核心解码器为3D卷积递归神经网络（3D-CRNN），实现EEG的时空联合特征学习。实验表明，3D-CRNN在RP任务上取得 $95.3\% \pm 2.7\%$ 的平衡准确率（Balanced Accuracy, BA），在单主体DI任务上经RSL提升至 $85.0\% \pm 3.2\%$（原 $80.9\% \pm 3.9\%$）。事件级分析显示，3D-CRNN在不同事件类型的RP和DI上均优于其他模型。跨会话DI实验得到 $77.0\% \pm 5.3\%$ 的BA，跨主体评估在已见主体上为 $77.4\% \pm 1.1\%$，在未见主体上仍保持 $64.9\% \pm 8.5\%$，表明模型具备良好的跨主体和跨会话泛化能力。上述结果验证了EEG解码框架在AV乘客危害感知中的可行性，暗示乘客认知信号可为未来AV决策和功能安全（SOTIF）提供辅助监督。
点评：该工作展示了将脑电信号直接用于自动驾驶安全评估的可行性，为人机协同安全提供了新思路。