注意力引导的深度学习——结合机器学习和统计特征融合技术，通过脑电图（EEG）实现可解释的心理工作负荷分类

《Cognitive Neurodynamics》：Attention-guided deep learning–machine learning and statistical feature fusion for interpretable mental workload classification from EEG

实时脑电信号负荷评估中，本文提出一种融合深度学习（CNN-BiLSTM-Attention）与经典机器学习（XGBoost）的混合模型，通过预处理、多维特征提取（时域/频域/小波变换/熵/分形维度）及ANOVA筛选得到200个高信息量特征，双分支协同训练后采用逻辑回归集成，在STEW和EEGMAT数据集上分别达到96.87%和99.40%的准确率，并通过注意力热图和SHAP值分析验证模型可解释性。

　　

摘要

从脑电图（EEG）信号中准确评估心理工作负荷（MWL）对于在航空和人机交互等安全关键领域的实时认知监控至关重要。尽管已经提出了多种计算方法，但这些方法大多存在鲁棒性有限、可解释性差的问题，或者未能充分利用时间和非线性神经动态。本文介绍了一种新颖的混合深度学习与XGBoost堆叠集成框架，用于从EEG数据中进行可靠且可解释的心理工作负荷分类。该框架系统地包括原始EEG的预处理，随后进行全面的特征提取（时域、频域、小波基、熵和分形维特征），并使用ANOVA F值进行判别性特征选择，最终得到一组包含200个高信息量的特征。所提出的架构由两个处理分支组成：一个基于CNN-BiLSTM-Attention的深度学习分支用于自动学习时空动态，另一个XGBoost分支用于从处理后的特征中进行稳健的分类。两个分支的预测结果通过逻辑回归堆叠集成进行整合，以最大化互补优势并提高泛化能力。实验在STEW（同时工作负荷）和EEGMAT（心理算术任务）数据集上进行。所提出的模型在STEW数据集上的分类准确率为96.87%，在EEGMAT数据集上的分类准确率为99.40%，分别优于之前发布的16种和7种最先进技术。注意力热图和SHAP值分析为模型的决策过程提供了直观的视觉解释和可解释性，而系统的消融研究验证了每个架构模块的贡献。这项工作表明，一种精心设计的堆叠集成框架，结合了深度学习和经典机器学习的优势，不仅能够提升性能，还能提高基于EEG的心理工作负荷评估在现实应用中的可解释性。