利用 EEG 与深度学习将认知负荷建模为自监督 brain rate

基于摘要分析。研究针对认知负荷测量难以普遍适用的问题，提出以 EEG 派生的连续 brain rate（认知激活指标）作为自监督目标，训练卷积循环神经网络，旨在不依赖人类陈述性知识的情况下建模心理工作负荷。 核心机制是将 EEG 转换为保留空间信息的频谱头皮地形图，通过卷积层学习高层表征并拟合 brain rate；进一步加入 Long Short-Term Memory（LSTM）层处理表征序列。摘要未提供 brain rate 的具体计算公式、频谱处理流程、网络配置或损失函数，因此尚不能核对自监督目标的构造与完整训练过程。 作者报告，在被试内（Within-subject）模型的测试评估中，平均 Mean Absolute Percentage Error（MAPE）为 11%；该数值是 brain rate 拟合的相对误差，不是认知负荷分类 Accuracy。作者报告，加入 LSTM 后预测准确程度有所改善，但改善未达到统计显著。作者据此推测，高层认知激活表征可能形成准稳定区块，其学习未必依赖时间上的相互关联；这一解释不等于已经证明 EEG 不存在有用的时序依赖。 作者报告，跨被试（Cross-subject）模型在纳入更多参与者、增加数据变异性后，取得与被试内模型相近的预测准确程度，并将其解释为可能存在被试独立的认知激活模式。摘要未说明跨被试测试是否使用完全未见被试，也未提供参与者数量、任务、数据集、具体划分、跨被试误差或统计细节，相关实验协议、消融及统计信息尚未验证。 阅读与复现时应重点核对 brain rate 与独立认知负荷参照之间的关系，以及该指标是否能预测任务表现；准确拟合 EEG 派生指标本身，并不足以确认其对实际认知负荷的测量效度。复现还需确认地形图生成、归一化、序列构造、训练与测试划分，以及代码和数据的可获得性。