神经网络与神经活动相遇：利用 EEG 估计心理工作负荷

基于摘要分析。研究面向 EEG 心理工作负荷估计，提出为 EEG 分析定制的 ConvNeXt 架构，并在 STEW 数据集上与 SVM、EEGNet 和 TSception 比较，评估二分类与三分类任务。 方法方面，作者将 ConvNeXt 卷积神经网络适配于 EEG，旨在应对高维度、噪声和信号变异性。摘要未说明 EEG 的输入表示、预处理、架构改动、损失函数或训练与推理设置，因此尚不能判断性能收益来自哪些具体设计，也不能据此确认模型对噪声或分布变化的鲁棒性。 结果方面，作者报告：在 STEW 的二分类任务（No vs SIMKAP task）中，ConvNeXt 的 Accuracy 为 95.76%；在三分类任务（SIMKAP multitask）中，Accuracy 为 95.11%，并称其优于上述对照模型。摘要未提供对照模型分数，也未明确被试内或跨被试协议、数据划分、被试数量及三分类标签定义；这些数值应限定于文中相应任务，不能直接解释为跨被试或跨会话泛化表现。作者使用了显著优于的表述，但统计检验与不确定性信息尚未验证。 复现时需核对 EEG 输入构建、ConvNeXt 定制细节、划分单位与预处理范围，以及各基线的调参与训练条件。实验协议、消融及统计信息尚未验证。摘要将结果联系到航空、医疗与 BCI 应用，但目前提供的证据限于 STEW 分类评估，尚不能据此确认实时部署效率或实际场景中的可靠性。