使用深度学习模型从 EEG 信号评估心理工作负荷：系统综述

基于摘要分析。本文系统综述利用深度学习从 EEG 信号评估心理工作负荷（Mental Workload，MWL）的研究，重点梳理训练输入、交叉验证方法与分类问题类型，讨论其在信息系统中监测用户认知状态的潜力及实际应用障碍，而非提出新的 EEG 分类模型。 评估场景方面，作者将 EEG-based MWL classification 分为五类：被试内、跨被试、跨会话、跨任务，以及同时跨任务与跨被试。这一区分有助于辨别模型是在已知个体和任务条件下分类，还是面对个体、会话或任务变化进行泛化；不同场景下的结果不能直接比较。作者指出，数据集特性、会话与任务变化以及伪迹去除，是影响方法表现的重要因素。 协议方面，作者报告，在划分训练集与测试集之前打乱数据会破坏 EEG 的时间序列结构，使评估失真；摘要以“inaccuracies are inflated”描述该影响，尚不足以确认其具体指向误差增大还是性能估计偏差。作者认为 time-series cross validation 和 leave-session-out 更能保持时间完整性，从而提供更准确的性能评估。具体分割单位、样本相关性、预处理与划分的先后顺序，以及这一结论的比较证据均尚未验证，不能据此判定某项研究存在数据泄漏。 作者认为，真实场景应用仍有限，需要改进自我报告方法、建立通用预处理标准并提高 MWL 评估准确性；根据用户认知状态实时调整信息系统功能，是其提出的应用前景，并非摘要已经证实的部署效果。摘要未提供检索范围、纳入研究数量、具体深度学习架构、数据集、被试规模或量化指标，系统综述流程、实验协议、消融及统计信息尚未验证。阅读全文时宜重点核对各类泛化场景的证据覆盖及评估建议的适用边界。