DGCSA：结合自注意力的动态图卷积用于 VR 与 2D 环境中的 EEG 注意力识别

基于摘要分析。该研究面向标准化任务及 VR、2D 学习环境中的 EEG 注意力识别，提出 DGCSA，通过频带加权融合与动态图卷积、自注意力的组合，建模频谱特征、电极间空间依赖及全局上下文。 方法上，DGCSA 使用贝叶斯优化的频带加权策略整合功率谱密度与微分熵特征，再结合动态图卷积和自注意力进行识别。其设计针对传统方法中特征整合有限、动态空间关系建模不足的问题；但图结构如何构建与更新、特征如何融合、自注意力作用于何种维度，以及优化目标和训练流程，摘要未提供细节，尚未验证。 作者报告，在 20 名参与者完成标准化任务及虚拟／2D 学习任务所采集的 EEG 数据上，DGCSA 的三分类 Accuracy 为 91.67%，优于 SVM、CNN 和 LSTM 基线。摘要未明确三类标签定义、数据划分及评估属于被试内还是跨被试，因此该数值不能直接解释为跨被试泛化能力；各基线的具体分数与配置也尚未验证。 作者另报告，虚拟学习场景中的注意力水平较 2D 场景显著更高且更稳定（p < 0.001）。该结论的注意力测量方式、统计检验、任务条件控制及效应量尚未验证，不能仅据摘要将场景差异解释为 VR 提升认知投入的因果证据。 复现时需核对 EEG 采集与预处理、窗口划分、频带范围、贝叶斯优化所用数据、图构建规则，以及模块消融和统计协议；这些信息尚未验证，不代表作者未开展相应实验。材料描述的是注意力解码研究，尚不能据此认定其已验证在线 BCI 或教育干预效果。