综述：基于脑电图的跨任务类型心理负荷分类中机器学习性能的系统评价

这篇综述系统评价了机器学习（ML）在脑电图（EEG）心理负荷（MWL）分类中的性能差异，揭示了单任务与多任务场景下模型准确率的显著差距（多任务定量负荷评级准确率下降），并指出主观MWL评分和跨任务泛化是未来研究的突破口。

　　

引言

心理负荷（MWL）是衡量个体执行任务时认知资源消耗的多维度概念，涉及注意力、记忆和信息处理等复杂机制。由于缺乏标准化评估方法，脑电图（EEG）凭借毫秒级时间分辨率和便携性成为MWL研究的核心工具。然而，不同任务类型引发的EEG响应差异显著，例如记忆任务增强前额中线θ波（4-7 Hz），而视觉任务降低顶叶α波（8-12 Hz）。这种变异性使得机器学习模型在跨任务MWL分类中面临严峻挑战。

研究方法

通过PRISMA框架筛选83篇文献，涵盖记忆、算术、多任务等实验范式。关键发现包括：

• •

  单任务场景：Sternberg记忆任务中，域适应递归残差神经网络实现98.18%准确率（4分类，跨被试）。

• •

  多任务场景：MATB（多属性任务组）下随机森林模型仅达76%准确率，且中高负荷混淆严重。

• •

  主观评级优势：SIMKAP任务中基于自评MWL的模糊注意力网络准确率高达94.4%，显著优于定量负荷评级。

神经机制与模型局限

θ/α功率比虽与任务负荷相关，但个体差异显著（如θ波可能反映 drowsiness）。深度学习模型（如CNN）在短时EEG片段（<2秒）分类中表现优异，但面临三大瓶颈：

1. 1.

   数据泄漏：37%研究因随机分割EEG片段导致性能虚高。

2. 2.

   任务污染：多任务模型中添加/删除子任务会诱导模型学习任务特征而非MWL。

3. 3.

   过载干扰：错误率>20%时MWL与任务负荷脱钩。

未来方向

建立包含多样化任务的基准数据集（如飞行模拟+n-back），开发融合主观NASA-TLX量表与生理信号的混合标注方法，或可突破跨任务泛化难题。当前最优方案仍限于相似任务间迁移（如不同n-back变体81.3%准确率），而记忆-算术任务组合因认知机制差异导致性能骤降至随机水平。

临床与工程启示

该综述为神经工程领域提供重要洞见：教育视频复杂度分类（双向LSTM达87%准确率）和装配线指令优化（CNN 90.8%）等应用已验证EEG-MWL模型的实用潜力，但需警惕个体化校准——静态自行车任务中模型准确率较跑步机下降14.1%，揭示体力负荷对EEG解码的干扰。