本研究提出了一种动态贝叶斯网络模型，旨在缩小人类与自动驾驶汽车之间的互动差距。该模型能够推测用户的认知状态，预测用户的福祉和信任，从而促进更人性化的自动驾驶决策，提高用户体验和安全性。

本研究提出了一种基于评分的动态贝叶斯网络因果学习方法，通过混合整数二次规划获取动态特性。该方法在小型和中型合成时间序列数据中表现优异，具有在生物科学和金融领域的应用潜力。

该系统能够追踪节拍和下拍，具有广泛适用性和高精度。通过训练多个数据集和消除动态贝叶斯网络（DBN）后处理，使用容忍注释的小时间偏移的损失函数和使用频率或时间上的卷积与变压器交替的架构来提高准确性。超过当前 F1 分数的最新技术，尽管不使用 DBN，并且在连续性指标上表现较差。