基于时空特征融合的 CNN-Transformer 网络：使用 EEG 信号预测学生学习效果

基于摘要分析，当前材料仅提供 Highlights，未取得论文全文。该研究面向学生学习效果预测，提出模拟真实学习生活中在线学习情境的实验协议，并使用 HCT-learn 从学习过程中的 EEG 预测学习表现。其主要方法线索是结合 CNN-Transformer 网络，融合全脑 EEG 的空间与时间特征。 技术机制方面，材料明确指出时空特征融合，但未说明 CNN 与 Transformer 的分工、特征融合位置、输入表示、损失函数或训练流程，相关细节尚未验证。学习表现的标签定义、预测时点及其与 EEG 采集时间的关系也需核对，不能据此认定系统已具备实时反馈能力。 结果方面，作者报告，在数据集内 LOSO（留一被试）评估下，融合全脑 EEG 时空特征达到 90% Accuracy。该结果对应数据集内跨被试评估，不能外推为 Cross-session 或 Cross-dataset 泛化能力，也不能与其他划分协议下的指标直接比较。被试数量、数据集名称、类别构成、窗口划分、对照基线及统计不确定性尚未验证。 解释性方面，作者报告使用 Grad-CAM 可视化学习过程中的空间—频谱神经模式。这可作为检查模型关注区域与频段的线索，但可视化本身不能确认这些模式具有因果意义。复现前需取得实验协议、学习效果标签构建方式、EEG 预处理与通道配置、LOSO 划分及模型实现；消融与统计信息尚未验证。研究对象是 EEG 支持的学习表现预测，现有材料不足以证明其对 BCI 控制或神经反馈任务有效。