神经网络与神经活动相遇：利用 EEG 估计心智负荷

基于摘要分析。本研究针对 EEG 心智负荷估计，提出适配 EEG 分析的定制 ConvNeXt 架构，并在 STEW 数据集上评估其二分类与三分类能力。贡献主要在于探索 ConvNeXt 在该任务中的适用性，并与 SVM、EEGNet 和 TSception 进行对照。 方法方面，作者将 ConvNeXt 用于处理 EEG 的高维性、噪声和变异性，但摘要未说明输入表示、架构改造、预处理、损失函数及训练流程，因此尚不能判断性能提升来自哪些具体模块，也不能确认模型如何应对这些 EEG 挑战。 结果方面，作者报告：在 STEW 的二分类任务（No vs SIMKAP task）中，Accuracy 为 95.76%；在三分类任务（SIMKAP multitask）中，Accuracy 为 95.11%，并称优于上述对照模型。摘要未提供各基线分数、三分类标签定义、被试数、数据划分或 Within-subject / Cross-subject 协议，故这些结果只能在所述数据集与任务背景下理解，不能直接视为跨被试泛化或实际部署表现。作者关于显著优于对照、鲁棒性与效率的表述，仍需全文中的统计检验、噪声评估及计算开销证据支持。 复现与证据核对重点包括：EEG 分段及归一化方式、训练与测试数据的划分单位、各模型的调参与训练条件，以及定制 ConvNeXt 的实现细节。实验协议、消融及统计信息尚未验证，代码可用性亦尚未验证。航空、医疗和 BCI 应用是作者提出的潜在用途，摘要所述实验不足以确认这些场景中的安全性与有效性。