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。该研究针对 EEG 心理工作负荷估计，提出适配 EEG 分析的定制 ConvNeXt 架构，并在 STEW 数据集上与 SVM、EEGNet 和 TSception 比较，考察其在二分类与三分类任务中的表现。 方法方面，作者将 ConvNeXt 卷积神经网络用于心理工作负荷分类，意在应对 EEG 的高维度、噪声及变异性。摘要未说明具体架构改动、EEG 输入表示、通道处理、预处理、损失函数及训练设置，因此尚不能判断性能改善来自哪些设计，也不能据此确认模型对噪声或跨被试变异的稳健性。 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%。作者称其优于 SVM、EEGNet 和 TSception，但摘要未提供各对照模型分数及统计检验细节。被试内或跨被试协议、训练与测试划分、窗口构建方式及类别定义尚未验证，因此这些数值不能直接解释为对新被试或新会话的泛化能力。 复现时需核对 ConvNeXt 的适配方式、是否使用预训练权重、数据划分单位、预处理与训练配置，以及各基线是否采用一致评估协议。实验协议、消融及统计信息尚未验证；摘要所述稳健性、效率及应用价值仍需正文证据支持，当前结果不构成航空或医疗场景中的部署验证。