基于LSTM-BAM混合模型与fNIRS技术的认知负荷分级及血流动力学评估新框架

为解决认知负荷分级难题，研究人员开发了一种整合长短期记忆网络(LSTM)与块注意力模块(BAM)的混合模型，通过功能性近红外光谱(fNIRS)技术采集50名受试者在问题解决任务中的脑活动数据，实现了高/中/低负荷的精准分类。该研究为认知监测提供了非侵入性新工具，对教学设计和神经科学研究具有重要价值。

　　

认知负荷作为衡量信息处理所需心理资源的关键指标，深刻影响着学习效能与任务表现。这项研究创新性地将长短期记忆网络(LSTM)与块注意力模块(BAM)相结合，构建出能够解析脑血流动力学响应的智能评估体系。研究团队采用功能性近红外光谱(fNIRS)技术，在严格控制实验条件下记录了50名参与者执行各类问题解决任务时的脑部氧合血红蛋白浓度变化。

通过标准化预处理和小波特征提取流程，科研人员成功捕获了不同认知负荷等级(高/中/低)下的典型神经血管耦合模式。模型创新性地引入BAM机制，通过动态调整空间与通道维度的特征权重，显著提升了LSTM网络对时间序列模式的识别能力。实验数据证实，这种混合架构在分类准确性和鲁棒性方面均展现出显著优势。

该成果不仅为认知负荷理论提供了量化研究新范式，更凸显了fNIRS技术在实时脑功能监测中的应用潜力，为个性化学习系统开发和神经工程领域发展开辟了新途径。