基于脑电功能连接性和机器学习方法的经纵向 tDCS 后多任务执行能力预测
内容提要
该文综述基于脑电的认知负荷估计，涉及tDCS后执行功能变化、STEM任务脑活动分类、深度学习跨任务迁移、睡眠分期及心理负荷建模等研究，重点讨论实验范式、深度神经网络输入表征与可解释性，并指出多数研究为离线分类，在线实时估计与可解释模型仍不足。
延伸解读
从离线到在线：认知负荷估计的实时化挑战
文章指出，当前多数基于脑电的认知负荷估计研究仍停留在离线分类阶段，仅少数采用在线或伪在线策略。离线分析允许对完整数据段进行回溯处理，而在线估计需在数据流中实时解码，对算法延迟和计算效率要求更高。这一差距意味着实验室中的高准确率模型未必能直接迁移到实时神经反馈或自适应训练系统。读者需注意，实时应用还需解决信号非平稳性、个体差异和电极配置等工程问题。
可解释性不足：深度学习在脑电分析中的双刃剑
文章强调，深度神经网络虽能提供强大的建模能力，但现有认知负荷检测中仅少数采用可解释模型。脑电信号具有非平稳特性，黑箱模型的高分类准确率可能掩盖其对噪声或伪迹的依赖，导致结论难以泛化。缺乏可解释性也阻碍了从神经科学角度理解认知负荷的脑机制。因此，文章建议采用可解释且可解读的DNN模型，这既有助于验证特征有效性，也能增强临床或教育场景中的信任度。
跨任务迁移与表征学习：提升脑电解码泛化的路径
文章提及多项研究探索了深度学习在脑电解码任务间的可迁移性，例如通过预训练和微调显著提升解码性能，并揭示特定范式引发特定脑活动的证据。这表明，跨任务共享的表征可能捕捉到认知过程的层次关系，从而减少对大量标注数据的依赖。然而，迁移效果受任务相似性和个体差异影响，读者应关注预训练策略、微调方式及目标域数据量对最终性能的制约。
Q&A
tDCS后执行功能预测用了什么方法？
研究结合了部分定向相干和多层感知机，并采用递归特征消除，实现了高分类准确率，可用于实时神经反馈系统评估和提升tDCS治疗后的执行功能。
在STEM任务中，脑电分类的最佳模型和准确率是多少？
使用随机森林分类器，在两个间隔大小时表现最好，测试准确率达到91.07%。
深度学习在脑电解码任务间的可迁移性如何？
通过预训练和评估发现，深度学习在不同EEG解码任务间有显著的性能提升，并揭示了特定解码范式引发特定脑活动的证据。
认知负荷分类有哪些新方法？
有研究采用变压器架构与迁移学习，利用自监督预训练和微调，表现优于传统单阶段全监督学习。
基于EEG的认知负荷估计综述指出了哪些不足？
多数研究使用离线分类，只有少数采用在线或伪在线实时估计；可解释的DNN模型和生成模型应用较少。
单通道EEG用于睡眠阶段分类有什么进展？
利用整流器神经网络和长短期记忆网络优化分类，找到了额头上单通道EEG的舒适配置，并证明可与其他电极一起使用，提升睡眠自动分类性能。
