面向运动学习的机器学习：用于自适应康复机器人的基于 EEG 的认知投入连续评估

基于摘要分析。研究针对康复机器人中认知投入（cognitive engagement，CE）评估依赖间歇性、主观且粗粒度测量的问题，提出基于 EEG 的端到端计算框架，以近实时方式估计 CE，为自适应康复提供潜在反馈信号。 框架包含两个部分：深度卷积神经网络从 EEG 中提取具有任务判别性的时空特征，区分认知投入与未投入两类状态；滑动窗口方法进一步在较短时间间隔内生成连续 CE 水平预测。摘要未交代连续估计的具体计算方式，因此尚不能确定其输出如何由二分类结果映射而来，也不能据此认定模型直接学习了连续 CE 标签。 作者在 8 名健康被试中开展自建 Go/No-Go 实验，通过调整游戏参数诱发认知疲劳。作者报告，在留一被试交叉验证这一跨被试协议下，CNN 的平均 Accuracy 为 88.19%；CE 预测与基于每 5 分钟一次自我报告的常用行为指标相关，ρ=0.93。该相关结果支持预测与所用指标之间的一致性，但不能单独证明短时间尺度上连续 CE 估计的准确性。 研究的主要价值在于将跨被试 EEG 状态识别与连续反馈估计相结合，而非已完成康复机器人治疗效果验证。认知投入标签的构建、疲劳与 CE 的区分、窗口长度与重叠方式、预处理、基线对照、相关分析的统计单位及不确定性均尚未验证；网络结构、训练细节、消融及代码可用性也需查阅全文。摘要中的实验对象为健康被试，向患者、实际机器人交互及闭环治疗场景的适用性仍待验证。