利用 EEG 与混合深度学习方法增强空中交通管制操作员的认知负荷检测

基于摘要分析。本研究针对空中交通管制（ATC）操作员的认知负荷检测，设计四种不同模拟场景以采集八名操作员的 EEG，并使用结合卷积层、自注意力机制和多层感知机的混合深度学习模型进行负荷状态解码。主要贡献是将 EEG 负荷识别从简单认知任务推进到 ATC 模拟任务，为个性化负荷监测提供实验依据，但不等同于已在真实运行环境中验证。 技术机制方面，作者先对 EEG 进行预处理，再利用卷积层与自注意力机制提取相关特征，结合多层感知机将状态解码为 low、high、overload 和 special 四类。摘要未说明四类状态的操作性定义，尤其 special 的含义，以及场景与类别之间的对应关系；预处理步骤、输入表示、网络结构、损失和训练设置也尚未验证。 结果方面，作者报告在该 ATC 模拟实验中，平均 Accuracy 为 88.76%，单被试层面的最高 Accuracy 为 99%。摘要未明确平均值的汇总方式、训练与测试划分，以及是否采用被试内、跨被试或跨会话评估，因此不能将这些数值解释为跨被试泛化表现，也不能直接与其他协议下的结果比较。作者还报告额区对认知负荷解码具有重要作用，但其分析方法、统计依据及稳健性尚未验证。 复现时应优先核对场景设计与负荷标注依据、EEG 通道和分段方式、数据划分、类别分布，以及卷积与自注意力模块相对对照方法的贡献。数据与代码可用性、实验协议、消融及统计信息尚未验证。现有摘要支持将其视为小样本 ATC 模拟场景下的 EEG 解码研究，尚不足以确认真实工作环境中的可靠性或智能负荷检测系统的部署效果。