GACET：图感知跨域 EEG Transformer 与 CD-MWL 基准

基于摘要分析。研究针对 BCI 中脑状态解码跨日泛化困难及长期评估公共数据不足的问题，以心理负荷（MWL）估计为任务，提出 CD-MWL 数据集与图感知跨域 EEG Transformer——GACET，将动态学习的功能连接图与拓扑感知消息传递结合，用于提升泛化能力并提供模型决策的解释线索。 数据与评估：作者报告 CD-MWL 包含 14 名参与者在三天内采集的共 42 小时 EEG，并称其为截至该研究时最长的公开 MWL 数据集及面向该挑战的首个稳健基准。这些优先性主张尚未独立核实。摘要未说明任务设计、负荷标签、通道配置、预处理及训练与测试划分；尤其需要核对跨日评估是否为同一被试的 Cross-session，以及是否另含 Cross-subject 设置，不能将不同协议的结果直接比较。 核心机制：GACET 动态学习作者所称的脑功能连接图，并在该图上执行拓扑感知消息传递。摘要未给出图的构建方式、连接约束、Transformer 与图模块的具体交互、损失函数或训练流程，因此尚不能判断其神经科学合理性如何被落实为可检验的模型约束。 结果与解释性：作者报告模型相较所比较的现有先进方法获得显著性能提升，且学习到的连接模式与既有神经科学认识一致。摘要未提供指标名称、数值、基线名单或统计检验信息；连接模式的一致性也不能仅凭摘要视为解释性导致泛化提升的因果证据。实验协议、消融及统计信息尚未验证。 复现条件：作者声明数据、代码、训练日志及一条命令运行的复现脚本均已公开。资源可访问性、数据许可、运行环境，以及能否复现各评估划分下的结果尚未验证。阅读全文时，可重点核对连接结构与性能之间的证据、跨日数据划分及基线比较条件。