CLARE：基于多模态数据的实时认知负荷评估

基于摘要分析。CLARE 面向认知负荷评估，提供包含 ECG、EDA、EEG 与 Gaze tracking 的多模态数据集，以参与者自报告认知负荷分数作为参考标签，并给出机器学习与深度学习的二分类基准。其主要贡献是数据资源与评估基准，而非已验证的实时 BCI 系统。 数据与任务：数据来自 24 名参与者，每人完成四个九分钟的 MATB-II 计算机操作表现与心理工作负荷任务会话。任务复杂度以一分钟片段为单位变化，参与者每 10 秒报告一次认知负荷。该设计支持分析任务复杂度、生理反应及主观负荷之间的关系，但自报告标签不应等同于客观认知状态；标签如何对齐信号窗口、如何转为二分类尚未验证。 评估与结果：作者报告，在 10-fold 交叉验证中，使用 ECG、EDA 与 Gaze 的 CNN 模型取得最佳分类表现；在留一被试交叉验证（LOSO，即跨被试评估）中，使用 ECG、EDA 与 EEG 的深度学习模型表现最佳。摘要未提供具体指标或分数，也未说明 10-fold 的划分单位，因此不能将其直接认定为被试内评估，或与 LOSO 结果作数值比较。两种协议下最优模态组合不同，提示模态价值需要结合泛化条件核对，不能据此认定 EEG 在所有设置下都更优。 复现与局限：需核对信号采样与同步、预处理、窗口构造、二分类阈值、类别分布，以及划分时是否隔离同一被试或相邻时间窗口。模型结构、融合机制、实验协议细节、消融及统计信息尚未验证；数据获取与实时推理条件也尚未验证。标题中的实时定位不构成在线延迟或闭环效果的证据。该资源与 EEG 认知状态评估直接相关，但摘要结果不证明其对其他 BCI 任务有效。