DMG-GCN：用于空中交通管制 EEG 认知工作负荷解码的动态微状态引导图卷积网络

基于摘要分析。该研究针对空中交通管制员 EEG 的被试间差异及其造成的分布偏移，提出 Dynamic Microstate-Guided Graph Convolutional Network（DMG-GCN），用于被动 BCI（pBCI）的跨被试认知工作负荷识别。核心思路是结合多尺度时间—频谱特征提取、微状态引导的动态图建模与时序注意力，联合表征工作负荷相关的时空变化。 机制上，Dynamic Selective Kernel Temporal Convolutional Block（DSK-TCB）自适应提取多尺度时间—频谱动态；Microstate-Guided Dynamic Graph Block（MG-DGB）构建随时间变化的邻接矩阵，以分离拓扑子网络。随后，时空图卷积模块聚合这些表征，时间自注意力机制聚焦任务关键的转换时刻。摘要未交代微状态的提取方式、图节点与边的定义、训练目标，以及是否涉及目标被试数据，不能据此将方法进一步归类为域适应或测试时自适应。 作者报告，在模拟多级空中交通管制任务的跨被试评估中，总体平均 Accuracy 为 80.30%，平均 F1 为 78.63%，并称显著优于先进基线。被试数量、工作负荷等级、跨被试划分方式、F1 平均口径、基线配置与显著性检验尚未验证，因此这些结果仅适用于摘要所述评估背景，尚不能外推至真实运行环境或其他 EEG 任务。 作者报告的探索性可解释性分析提示，提取的拓扑子网络空间模式与特定脑网络重组相一致，包括从全局分布式监控向颞区多模态整合及顶枕区并行处理的转变。这属于空间模式的一致性解释，尚不能视为对相应神经机制的因果验证。复现时需核对 EEG 预处理、微状态与动态图构建流程、跨被试训练测试隔离，以及各模块消融；实验协议、消融及统计信息尚未验证。