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

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

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

通过系统综述了解了基于脑电图 (EEG) 的认知负荷估计。重点包括：确定可靠引发离散和量化认知负荷水平的实验范式，并探究在信号分类中常用的深度神经网络 (DNNs) 的输入形式的特点和表征结构。分析发现一些研究在离线认知负荷分类中使用脑电信号的二维矩阵原始表示，但只有少数研究采用了在线或伪在线的实时认知负荷估计策略。此外，在这项综述中，仅采用了数个可解释的 DNNs 和一个生成模型进行认知负荷检测。总的来说，由于其网络架构的深度提供了巨大的建模能力，DNNs 成为分类脑电信号的宝贵工具。进一步建议采用可解释且可解读的 DNN 模型进行认知负荷估计，因为现有方法在面对非平稳信号时存在局限性。

Sep, 2023

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

该研究提出了一个浅层卷积神经网络模型，用于评估脑电信号的特征提取和分类，并在有运动障碍的患者中表现出了更好的分类准确性和鲁棒性。

Sep, 2022

该研究中提出了一种新方法，可以从多通道 EEG 时间序列中学习稳健的特征，以提高认知负荷分类任务的分类准确率。

Nov, 2015

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

本研究使用电脑建立了一个基于神经网络的智能决策模型，通过 EEG 检测来识别人类主观情绪，并采用一些信号处理技术和算法，实验结果表明该模型能够提高情绪检测的准确性。

Mar, 2023

本文介绍了一种使用脑电图的认知负荷分类的新方法，采用变压器架构与迁移学习，利用自监督预训练和冻结权重与微调的迁移学习来进行认知负荷分类，实验证明该方法表现优秀且胜过传统的单阶段全监督学习，研究为情感计算中的认知负荷领域增加了新的文献，为未来的跨领域迁移学习与自监督预训练的研究提供了新的方向。

Aug, 2023