ProtoGIB-Workload：跨被试学习工作负荷特异性神经拓扑原型

基于摘要分析。本文研究 EEG 心理工作负荷识别中的跨被试泛化问题，提出 ProtoGIB-Workload，通过图信息压缩与类条件拓扑稳定约束，减少功能连接图中被试特异性结构和样本噪声的影响，学习与工作负荷相关的连接模式。 其核心机制包含两部分：Stochastic Graph Information Bottleneck（SGIB）将稠密相关性先验压缩为紧凑、任务相关的子图，以过滤输入冗余；Class-Conditional Topology Stabilizer（CTS）利用 EEG 固定电极坐标，直接约束图生成概率，鼓励同一工作负荷类别下不同被试具有一致的边生成统计。二者分别针对图结构冗余，以及压缩后仍可能保留的被试特异性伪相关边。摘要未提供具体损失形式、图采样方式或拓扑原型的构建细节，尚不能据此展开实现分析。 作者报告，在两个公开 EEG 工作负荷数据集及一个空中交通管制员内部 EEG 认知负荷数据集上，采用严格留一被试法（LOSO），相对时序与图方法基线，跨被试 Macro-F1 平均提升 5.15%，最高提升 6.34%。摘要未明确这些百分数表示相对增幅还是绝对百分点差值，也未列出各数据集结果、基线名称及统计检验，因此不能进一步量化比较。作者另报告，分析结果支持该方法提取稳定、跨被试一致的神经连接模式。 复现与证据核对重点包括：数据集名称、被试与类别构成，电极坐标及通道对应关系，相关性图构建和预处理流程，以及 LOSO 各折中 CTS 的统计估计与超参数选择方式。还需核对 SGIB、CTS 和二者组合的消融结果，确认性能收益与拓扑一致性之间的关系。上述实验协议、消融及统计信息尚未验证；摘要中的连接模式分析也不宜直接视为生理因果解释。