本文旨在将心理负荷分类为三种状态并估计连续水平，使用时间域方法中的时序卷积网络和频域方法中的多维残差块结构，以提高对大脑的心理估计的精确度。

Jul, 2023

本文研究了单屏幕和双屏幕情况下，记忆工作量与脑电波之间的关系，并使用机器学习模型对高记忆工作量状态进行分类，研究结果表明 EEG 可以作为进行神经人类学研究的有效工具。

May, 2023

本研究提出了一种新的自我监督的深度学习方法，通过使用连续脑率指数和空间谱拓扑头图从 EEG 数据中进行神经负荷建模，该方法表现出在通常适用性方面的能力，这证明了卷积层学习有意义的高级表示的能力。

Sep, 2022

本研究使用多模式感知方法和机器学习来识别一组指标，以估计认知负荷水平。通过进行一组认知测试，利用四种传感器来测量参与者的生理变化以及 Chi-Square 卡方分析法揭示了它们的感知认知负荷水平的差异，研究利用三种分类算法分别使用这些生理数据进行训练和测试，并证明使用 ECG 和 EDA 的结合可以获得良好的辨别能力。

May, 2022

本文考虑使用 EEG　信号来实现想象中说出的话的识别，并对不同频带和大脑不同区域的信号进行分析，使用包含卷积神经网络（CNN）和长短时记忆网络（LSTM）的时空深度学习架构，在数字、字符和图像三个分类任务中获得了较高的分类准确性，其代码已在网站上公开。

Mar, 2022

通过应用贝叶斯结构学习算法，该研究在传感器空间中学习了脑电图（EEG）的功能连接性，并将得到的功能连接图输入图卷积网络进行工作记忆负荷的分类，其在 154 名受试者的 6 种不同工作记忆负荷下表现出 95% 的最高分类准确性和 89% 的平均分类准确性，优于现有文献中提出的最先进的分类模型。此外，与最先进的功能连接估计方法进行跨受试者和同受试者的统计分析比较后，结果显示 alpha 波和 theta 波的分类准确性优于 beta 波。

Apr, 2024

该研究旨在分析不同 STEM 活动中的大脑活动，探索分类不同任务的可行性。收集了二十个受试者在五个认知任务中的脑电数据，并将其分割为 4 秒的片段。通过分析大脑频率波的功率谱密度，测试了使用 XGBoost、随机森林和装袋分类器等不同的 k 间隔，结果显示随机森林在两个间隔大小时表现最好，测试准确率达到 91.07%。当利用所有四个脑电通道时，认知灵活性最为显著。任务特定的分类准确率显示右额叶在数学处理和规划方面表现出色，左额叶在认知灵活性和心理灵活性方面表现出色，左颞顶叶在连接方面表现出色。值得注意的是，在进行 STEM 活动时观察到了额叶和颞顶叶之间的许多连接。这项研究有助于更深入地了解将机器学习应用于分析大脑活动，并揭示了大脑的机制。

Jan, 2024

通过使用隐马尔可夫模型和线性混合效应模型从 EEG 数据中提取特征，本研究分析了使用六种机器学习方法对学习者和非学习者进行分类的性能，并比较了不同标准化方法对分类性能的贡献。结果显示，只有使用 theta EEG 数据和深度神经网络时，才能达到超过 80% 的 ROC 曲线下面积，增强了空间学习任务中学习者和非学习者的分类能力。

Nov, 2023

使用深度学习技术分类飞行员的工作负荷水平，采用深度神经网络从脑电图信号中提取重要特征，实现了优于传统模型的分类准确度的研究。

Nov, 2023

通过使用前沿的可穿戴监测技术，该研究在 FP1 通道的脑电图数据和次要职业学生的心率变异性数据上进行高精度、高时间分辨率的认知负荷评估，综合分析这两个关键生理指标，研究其在评估次要职业学生认知负荷中的应用价值以及在不同任务中的效用。该研究设计了两个实验证明了所提出方法的有效性：首先，使用 N-Back 任务开发的随机森林分类模型能够对处于不同认知负荷水平下的次要职业学生的生理信号特征进行精确解码，实现了 97% 的分类准确率。随后，在国家计算机等级考试中应用该分类模型进行交叉任务实验，展示了该方法在不同学习环境中的显著适用性和跨任务的可转移性。该研究具有高可移植性，对于优化次要职业教育中的教学资源配置以及认知负荷评估方法和监测具有重要的理论和实践意义。目前，研究结果正在学校进行试行实施。

Jun, 2024