基于脑电（EEG）信号利用深度学习模型评估心理负荷：系统评价

心理负荷（MWL）评估在信息系统（IS）中至关重要，它影响着任务绩效、用户体验和系统效能。脑电图（EEG）能够动态且无侵入地监测认知状态，深度学习为基于 EEG 的 MWL 分类提供了极具前景的技术。本研究探讨了深度学习在基于 EEG 的 MWL 分类中的潜力与挑战，重点关注训练输入、交叉验证方法和分类问题类型。我们确定了基于 EEG 的 MWL 分类的五种类型：被试内（within-subject）、跨被试（cross subject）、跨会话（cross session）、跨任务（cross task）以及跨任务与跨被试相结合（combined cross task and cross subject）。分类的成功取决于对数据集特异性、会话和任务变异性的管理以及伪影去除。尽管具有巨大潜力，但在现实世界中的应用仍受到限制。有必要改进自我报告方法、通用预处理标准和 MWL 评估准确性。具体而言，如果在划分为训练集和测试集之前将数据打乱，会破坏 EEG 信号的时间序列，从而夸大不准确性。相比之下，时间序列交叉验证和留一会话法（leave-session-out）等方法能够更好地保留时间完整性，提供更准确的模型性能评估。利用深度学习进行基于 EEG 的 MWL 评估，可根据用户的认知状态显著实时提升 IS 的功能性和适应性。