基于 EEG 信号的深度学习心理工作负荷评估：系统综述

基于摘要分析。本文系统综述深度学习用于 EEG 心理工作负荷（Mental Workload，MWL）分类的潜力与挑战，重点梳理训练输入、交叉验证方法及分类问题类型，而非提出新的分类模型。研究的主要应用对象是信息系统中的认知状态评估，以支持对任务表现、用户体验和系统适应性的研究。 作者将 EEG-based MWL 分类归纳为五类：被试内、跨被试、跨会话、跨任务，以及同时跨任务与跨被试。这一区分有助于识别模型究竟适用于个体内识别，还是能泛化到新被试、会话或任务；不同协议下的表现不宜直接比较。摘要指出，数据集特性、会话与任务变化以及伪迹去除都会影响分类效果，但未提供具体模型、数据集或定量比较。 评估协议是本文的重要关注点。作者指出，在划分训练集与测试集之前打乱数据会破坏 EEG 的时间序列结构，可能使性能评估失真；作者认为时间序列交叉验证与留一会话评估更能保持时间完整性。该结论在摘要中没有对应的量化结果，具体打乱方式、样本构造、划分单位及比较条件尚未验证，不能据此断言某项研究存在数据泄漏。 作者认为现实应用仍受限制，并提出改进自我报告方法、建立通用预处理标准及提高 MWL 评估准确性的需求。复核全文时应关注文献检索与纳入标准、MWL 标签来源、预处理流程、各类泛化协议及统计证据。摘要不足以确认某种深度学习架构优于其他方法，也不能将信息系统实时适应的应用展望视为已验证的 BCI 效果。具体实验协议、消融及统计信息尚未验证。