评估区域级脑电图对认知负荷预测的贡献

# 评估脑电区域层面贡献以预测认知负荷
来源：https://arxiv.org/html/2606.02598
Sohan Singh\*工程产品开发支柱，新加坡科技设计大学  
Prannaya Gupta工程产品开发支柱，新加坡科技设计大学  
Jin Xing Ang新加坡国立大学高中数学与科学系  
Kritika Johari工程产品开发支柱，新加坡科技设计大学  
U\-Xuan Tan工程产品开发支柱，新加坡科技设计大学

###### 摘要

![[未标注图片]](https://arxiv.org/html/2606.02598v1/assets/git.png)代码：https://github.com/aether-sutd/CorticalRegionSelection

从脑电图（EEG）中准确且可泛化地估计认知负荷对于以人为本和安全关键的系统至关重要。尽管EEG被广泛用于工作负荷评估，但任务、数据集和受试者之间EEG区域层面贡献的一致性仍不清楚。本文提出了一个用于EEG工作负荷预测的区域层面评估框架，其中模型使用仅从属于解剖学定义的头皮区域的电极提取的特征进行训练和评估。我们对四个公开可用的EEG工作负荷数据集进行了大规模分析，这些数据集涵盖了多样的任务需求、记录硬件和电极布局。在混合受试者和受试者独立评估协议下，使用一种模型无关的、基于性能的方法量化区域重要性，并通过基于排名的策略汇总结果，以确保跨实验配置的鲁棒性。在所有数据集和受试者独立评估中，前额电极组在相对排名位置上优于全头皮基线约15-20%，同时使用的电极数量显著减少。额中央区域表现出最稳定的预测效用，而顶叶和枕叶区域在实验条件下的贡献一致性较低。这些发现表明，工作负荷相关的EEG信息最一致地保留在前额和额中央电极组中，支持设计高效且可泛化的基于EEG的工作负荷监测系统。

见图注图1：EEG工作负荷预测的区域层面重要性分析概念概览。不同于全头皮建模（左），EEG通道按解剖学分组并独立建模（中），从而实现区域层面的重要性排序（右），并提高可解释性和硬件效率。## 1引言

认知负荷反映了执行任务所需的脑力努力，在人类表现、安全和决策中起着关键作用\[hirachan2022measuring,swerdloff2020quantifying\]。过高的负荷可能导致错误、反应延迟和情境意识下降\[tomori2025investigating\]，而过低的负荷则可能导致脱离和表现下降。因此，在以人为本和安全关键的环境中，可靠的认知负荷评估至关重要\[momeni2019real\]，例如航空\[taheri2023using\]、监控、自适应自动化和人机交互。

脑电图（EEG）提供了一种非侵入性且时间精度高的皮层活动测量方法，并已被广泛用于研究工作负荷相关的神经动力学\[erdogmus2005cognitive,mathews2024eeg\]。先前的研究表明，特定频段的振荡活动与注意力需求、工作记忆负荷和执行控制相关。因此，基于EEG的工作负荷估计在实验室研究和实际监测应用中都受到了越来越多的关注\[kyriaki2024comprehensive\]。

尽管取得了近期进展，但基于EEG的工作负荷建模仍面临两个挑战。首先，许多方法依赖全通道布局\[zhou2021cognitive\]，隐式假设工作负荷相关信息在头皮上均匀分布。这增加了系统复杂性，并在模型跨不同电极配置的数据集迁移时降低了鲁棒性。其次，空间相关性通常在单一任务或数据集内进行评估。例如，mastropietro2023reliability研究了一个范式下的电极配置，而临床EEG工作同样报告了依赖于任务的通道优势\[lee2022selection\]，限制了跨任务泛化的洞察。这些限制在图̃1 (https://arxiv.org/html/2606.02598#S0.F1)（左）中进行了概念性说明。

更一般地，先前的通道选择和特征重要性方法通常依赖于模型或对评估协议敏感，限制了可解释性和泛化能力\[prodhan2024optimal\]。在本工作中，我们通过引入一个统一的、区域层面的评估框架来解决这些限制，该框架量化了解剖学定义的EEG电极组在多个工作负荷任务、数据集、模型家族和评估协议中的预测贡献。如图̃1 (https://arxiv.org/html/2606.02598#S0.F1)所示，EEG通道根据标准的10–20和10–10惯例进行分组\[ebersole2003current\]，并使用区域限制的模型训练，以在异质条件下实现一致且无泄漏的比较解剖学定义的EEG电极区域。

本工作做出以下贡献：

- •我们将EEG认知负荷预测公式化为一个*区域层面的推理问题*，用基于解剖学的电极组建模取代全头皮假设，以实现可解释和硬件高效的设计；这扩展了先前以配置为重点的发现，即电极子集（例如额顶叶）在控制任务中产生更可靠的工作负荷指标\[mastropietro2023reliability\]。
- •我们开发了一种*模型无关的、区域限制的评估策略*，通过相对于全通道基线的性能下降来量化解剖学定义的EEG电极区域的独立预测贡献，如图̃1 (https://arxiv.org/html/2606.02598#S0.F1)概念性总结所示。
- •我们执行了一项大规模实证研究，涵盖多个EEG工作负荷数据集、特征选择策略、模型家族和验证协议，从而能够在异质实验条件下系统评估区域层面的鲁棒性。
- •我们通过基于排名的聚合推导出*EEG电极区域的共识排序*，并在混合受试者和受试者独立评估下验证其稳定性，直接解决了EEG分析中已知的跨受试者泛化挑战\[apicella2024toward\]。

## 2方法论

见图注图2：用于区域层面EEG认知负荷分析的所提出方法概览。原始EEG记录首先被处理，从通道和频段表示中提取与频段无关和依赖于频段的特征。提取的特征随后按解剖学定义的EEG电极区域分组，接着进行区域层面的特征选择和模型训练，用于工作负荷分类或回归，在K折和留N个受试者（LNSO）评估下进行。区域特定的模型性能与全头皮基线进行比较，结果跨配置聚合，以获得基于其预测贡献的EEG电极区域共识排序。我们旨在以任务和数据集无关的方式量化不同EEG电极区域对认知负荷预测的相对预测贡献。给定在工作负荷诱导任务期间收集的多通道EEG记录，我们的目标是确定哪些解剖学定义的电极组在异质实验范式、记录系统和受试者群体中提供最稳定和最具信息量的神经信号。完整处理和分析流程的概览见图̃2 (https://arxiv.org/html/2606.02598#S2.F2)。该方法包括五个主要阶段：EEG预处理和频段分解、特征提取、解剖学通道分组、区域层面建模和评估，以及跨数据集聚合电极组重要性。

### 2.1数据集与工作负荷标签统一

我们使用五个公开可用的EEG数据集评估所提出的框架，这些数据集涵盖了多样化的工作负荷诱导任务，包括时间压力响应（FDE–HTC;hernandez2024eeg）、工作记忆操作（FDE–Nback;hernandez2024eeg）、视觉监控（MOCAS;jo2024mocas）、多任务处理和资源管理（WAUC;albuquerque2020wauc）以及长时间自然主义人机交互（HCI\-SENSE\-42;zhang2025multimodal）。尽管这些任务在结构和生态效度上有所不同，但都通过持续注意力、执行控制或决策制定需求引发认知负荷。LABEL:tab:datasets总结了数据集，包括参与者数量、EEG设备、采样率、通道配置和任务描述。任务范式和采集硬件的多样性促使基于区域的分析，从而能够在异质实验设置之间进行一致比较。为确保不同采样率记录的数据集之间信号层面的一致性，所有EEG记录通过使用抗混叠的多相滤波重采样到128 Hz的公共速率。重采样独立应用于每个通道，之后重新计算频段分解以维持一致的频段定义。

所有数据集的认知负荷标签均源自NASA任务负荷指数（NASA\-TLX;hart1988development），这是一款广泛使用且经过验证的主观工作负荷评估工具。NASA\-TLX专门设计用于捕获感知任务需求的多个维度，包括脑力努力、时间压力和挫败感，并已广泛用作基于EEG的工作负荷建模中的监督信号\[zenia2025eeg,hirachan2022measuring\]。因此，使用NASA\-TLX使我们的分析与文献中的既定实践保持一致，同时直接针对人类体验的工作负荷\[mohanavelu2020dynamic\]。由于不同数据集中NASA\-TLX分数最初以不同尺度报告，所有工作负荷值通过最小-最大归一化线性重新缩放到公共的0–100范围：

工作负荷n = 100 × (分数 - 分数最小值) / (分数最大值 - 分数最小值)。

此变换保留了主观评分的相对间距，同时实现了跨数据集的可比性。对于分类实验，归一化的工作负荷分数进一步使用针对每个数据集独立计算的、基于数据集的第33和第67百分位经验阈值离散化为三个工作负荷类别（低、中、高）。这种基于百分位的离散化适应了数据集之间工作负荷分数分布的差异，同时减少了对小主观评分变化的敏感性。

算法1 遵循标准EEG频段分解和特征提取的EEG信号预处理流程。  
1: 输入：原始EEG记录 X(t) = [x_1(t), x_2(t), ..., x_C(t)]  
2: 输出：子带信号 {x_{c,b}(t) | c=1,...,C; b∈{δ,θ,α,β,γ}}  
3:  
4: 步骤1：宽带预滤波（0.5–45 Hz）  
5: for c=1 to C do  
6:     对 x_c(t) 应用 0.5–45 Hz 巴特沃斯带通滤波器  
7:     存储滤波后的信号为 x̃_c(t)  
8: end for  
9:  
10: 步骤2：频段分解  
11: for c=1 to C do  
12:     for b∈{δ,θ,α,β,γ} do  
13:         对 x̃_c(t) 应用波段b的带通滤波器  
14:         获得子带信号 x_{c,b}(t)  
15:     end for  
16: end for  
17:  
18: return {x_{c,b}(t)}_{c,b}

### 2.2 EEG预处理与频段分解

本文中使用的EEG预处理和频段分解流程总结于算法̃1 (https://arxiv.org/html/2606.02598#alg1)。为去除非神经伪迹并分离生理上有意义的振荡活动，每个EEG通道首先使用四阶巴特沃斯IIR滤波器进行0.5至45 Hz的带通滤波\[cohen2014analyzing\]。这种宽带预滤波衰减了缓慢的基线漂移、电源线干扰和高频肌肉伪迹，从而得到适合频谱分析的清洁信号。

在宽带去噪之后，每个通道被分解为标准EEG频段：δ（0.5–4 Hz）、θ（4–8 Hz）、α（8–13 Hz）、β（13–30 Hz）和γ（30–45 Hz）\[niedermeyer2005electroencephalography\]。如算法̃1 (https://arxiv.org/html/2606.02598#alg1) 详细说明，通过将带通滤波器应用于去噪后的通道信号获得特定频段的信号。这种分解隔离了与认知负荷相关的不同振荡成分，并使得后续的频段特定特征提取成为可能\[klimesch1999eeg\]。

### 2.3 特征提取

对每个通道的每个频带限制信号独立提取特征。我们计算了一组常用于EEG工作负荷分析的可解释的频谱、统计和基于熵的特征\[stancin2021review\]。

#### 频段特定功率特征。
对于每个通道c和频段b，我们计算绝对频段功率 P_b^{(c)}，定义为频段b频率范围内的总频谱功率\[cohen2014analyzing\]。为减少对受试者间和硬件相关幅度差异的敏感性，相对频段功率计算为 p_b^{(c)} = P_b^{(c)} / P_signal^{(c)}，其中P_signal^{(c)}表示通道c在0.5–45 Hz上的总宽带功率。

#### 频段功率比率和脑率。
为捕获振荡成分之间的相互作用，我们计算了一个常用频段功率比子集（例如θ/β、(θ+α)/(α+β)）。此外，我们计算了脑率（BR;longo2022modeling, 一种频谱加权汇总指标，定义为 BR(c) = Σ_{b∈{δ,θ,α,β,γ}} f_b · p_b^{(c)}，其中f_b表示频段b的平均频率。BR提供了跨频段振荡活动分布的紧凑描述符。

#### 统计与熵特征。
对于每个频带限制信号，我们提取时域统计特征（均值、方差、偏度、峰度、过零率）和基于熵的度量（Rényi熵、微分熵和模糊熵），捕获信号变异性和复杂性\[stancin2021review\]。

### 2.4 区域层面建模与重要性分析

为实现EEG电极区域对认知负荷预测贡献的区域层面分析，根据对应电极的解剖位置对EEG衍生特征进行分组，如图̃2 (https://arxiv.org/html/2606.02598#S2.F2)所示。通道分配遵循国际10–20和10–10放置系统，其中电极标签编码了近似皮层位置\[ebersole2003current\]。所使用的通道到区域映射