利用特征掩码自编码与情绪迁移学习的 EEG 认知负荷分类

基于摘要分析。本文研究如何利用情绪相关 EEG 数据的自监督预训练改善认知负荷分类，提出基于 Transformer 的特征掩码自编码与迁移学习方案，将情绪数据中学习到的表示用于下游认知负荷任务。 方法上，作者先在情绪 EEG 数据集 SEED 和 SEED-IV 上进行自监督掩码自编码预训练，再在 CL-Drive 数据集上开展认知负荷分类，并评估冻结权重与微调两种迁移方式。摘要未说明被掩码特征的定义、掩码比例、重建目标及损失形式，也未提供 Transformer 的具体结构，因此尚不能判断迁移收益主要来自哪些信号特征或训练环节。 结果方面，作者报告，在上述预训练与下游数据集设置下，该方法优于传统单阶段全监督学习，并开展了详细的消融与敏感性研究。摘要未给出具体指标、数值、基线配置、被试数量或数据划分，因而无法量化增益，也不能将结论归为 Within-subject、Cross-subject 或 Cross-session 表现；实验协议、消融及统计信息尚未验证。 复现时需核对 EEG 预处理与特征构建、不同数据集间的通道及输入表示对齐、预训练和下游划分，以及冻结与微调的具体范围。本文提供的是情绪 EEG 到认知负荷分类的迁移证据，其对其他 EEG 任务或实际 BCI 场景的适用性仍需独立评估。摘要未提供代码与实现细节，复现条件尚未验证。