多任务场景下基于 EEG 的心理工作负荷识别：静息态归一化与 EEG 特征脑区的作用
基于摘要分析。本研究针对 EEG 心理工作负荷（MWL）识别中的个体间差异与模型可解释性限制，在长时间多任务场景中考察静息态 EEG 归一化及脑区特征分析，探索分类表现、特征贡献与减少电极数量之间的关系。 参与者完成三个难度等级的多任务操作，研究同步收集静息态与任务态 EEG、行为表现及 NASA-TLX 评分。摘要未说明工作负荷标签如何确定，也未提供被试人数、任务持续时间、特征定义、分类器类型及归一化公式，因此尚不能判断静息态基线校正的具体实现与适用条件。 作者报告，在标准归一化条件下，最佳全脑模型的 Accuracy 为 93.78% ± 0.45%；但摘要未明确被试内或跨被试评估、数据划分及“±”的统计含义，该数值不能据此解释为跨被试泛化能力。作者报告，顶叶配置在使用较少电极时仍保留较强识别能力，但具体电极数量、Accuracy 及相对全脑配置的性能差异尚未验证。 作者报告，静息态归一化改变了 EEG 特征重要性模式，其分类效果依赖所用分类器，而非一致改善。SHAP 分析显示额叶与顶叶特征具有突出贡献；这反映模型预测中的特征贡献，不等同于脑区对工作负荷的因果作用。作者据此认为，该方法支持复杂操作环境中的可解释、轻量化 EEG 工作负荷监测，实际部署能力仍需结合全文验证。 复现时需核对静息态采集与校正流程、脑区及电极配置、特征计算和分类器设置，以及标准归一化与静息态归一化是否在同一评估协议下比较。实验协议、消融及统计信息尚未验证，尤其需明确个体间差异的评估方式及少电极配置的性能稳定性。