工作量、注意力和疲劳等认知状态的评估在认知科学和人类表现领域至关重要，因为它对工作效率和决策产生重大影响。本文介绍了一种使用脑电图 (EEG) 大脑连接进行认知状态评估的深度学习框架。该框架使用 26 名参与者的脑电图数据通过三项基于计算机的任务进行了评估：Dual N-Back 任务、视觉搜索任务和连续性能任务，每项任务分别旨在引发不同水平的认知工作量、注意力和疲劳。精心编制了全面的数据集，包括生理、行为和主观数据，以确保分析的稳健性。脑电图数据经过严格的预处理和特征提取过程，重点关注多个频段的一致性和锁相值等大脑连接指标，并采用三种神经网络架构：卷积神经网络（CNN）、图卷积网络（GCN） ，以及用于分类的卷积长短期记忆网络 (ConvLSTM)。所提出的工作在组合频段上实现了工作量分类准确率 96.53%、注意力分类准确率 98.40%、疲劳分类准确率 97.86%。该研究的结果强调了基于脑电图的非侵入性认知状态监测方法的潜力。通过解决小样本量和特定任务模型等现有局限性，这项研究增强了基于脑电图的认知评估的普遍性和适用性。这些进步对于需要持续认知监控的领域具有重要意义，例如国防、医疗保健和高风险操作环境。



"点击查看英文标题和摘要"