脑机接口 / BCI

An Approach to Simultaneous Acquisition of Real-Time MRI Video, EEG, and Surface EMG for Articulatory, Brain, and Muscle Activity During Speech Production

一种用于言语产生过程中发音、大脑和肌肉活动的实时MRI视频、脑电图和表面肌电图同步采集方法

Jihwan Lee, Parsa Razmara, Kevin Huang, Sean Foley, Aditya Kommineni, Haley Hsu, Woojae Jeong, Prakash Kumar, Xuan Shi, Yoonjeong Lee, Tiantian Feng, Takfarinas Medani, Ye Tian, Sudarsana Reddy Kadiri, Krishna S. Nayak, Dani Byrd, Louis Goldstein, Richard M. Leahy, Shrikanth Narayanan

机构 * Signal Analysis and Interpretation Laboratory, University of Southern California（南加州大学信号分析与解释实验室） ； Ming Hsieh Dept. of Electrical and Computer Engineering, University of Southern California（南加州大学明希斯电气与计算机工程系） ； Dept. of Linguistics, University of Southern California（南加州大学语言学系） 纠错

专题命中 EEG解码 ：EEG(title,summary_cn)；brain-computer interface(abstract)

AI总结 本文首次实现了言语产生过程中实时MRI、EEG和表面EMG的同步采集，并提出了针对三模态设置的伪影抑制流程，为言语神经科学和脑机接口提供新视角。

Comments Accepted for Interspeech 2026

EEG Foundation Challenge: From Cross-Task to Cross-Subject EEG Decoding

脑电（EEG）基础挑战赛：从跨任务到跨主体的脑电解码

Bruno Aristimunha, Dung Truong, Pierre Guetschel, Seyed Yahya Shirazi, Isabelle Guyon, Alexandre R. Franco, Michael P. Milham, Aviv Dotan, Scott Makeig, Alexandre Gramfort, Jean-Remi King, Marie-Constance Corsi, Pedro A. Valdés-Sosa, Amit Majumdar, Alan Evans, Terrence J Sejnowski, Oren Shriki, Sylvain Chevallier, Arnaud Delorme

专题命中 EEG解码 ：EEG(title,title_cn)；分类 eess.SP、cs.LG

AI总结 本文介绍一项包含跨任务跨主体脑电解码、精神病理因素预测两项挑战的大规模脑电竞赛，提供对应基线模型，旨在推动泛化性脑电解码模型及相关临床应用的发展。

Comments Approved at Neurips Competition track. webpage: https://eeg2025.github.io/

Journal ref The Thirty-Ninth Annual Conference on Neural Information Processing Systems (NeurIPS), 2025

Decoding the Multimodal Mind: Generalizable Brain-to-Text Translation via Multimodal Alignment and Adaptive Routing

解码多模态思维：通过多模态对齐和自适应路由实现可泛化的脑到文本翻译

Chunyu Ye, Yunhao Zhang, Jingyuan Sun, Chong Li, Yang Zhao, Shaonan Wang

机构 * State Key Laboratory of Multimodal Artificial Intelligence System, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Department of Computer Science, The University of Manchester（曼彻斯特大学计算机科学系） ； Department of Language Science and Technology, Hong Kong Polytechnic University（香港理工大学语言科学与技术系） 纠错

专题命中 EEG解码 ：EEG(summary_cn,abstract)；BCI(abstract,abstract_cn)；brain-computer interface(abstract)

AI总结 该研究针对脑机接口从人脑解码语言的挑战，提出利用多模态大语言模型和路由模块的统一框架，通过多模态对齐和自适应路由将脑信号与多模态语义空间对齐，在fMRI等数据集实验中性能领先，还扩展到EEG和MEG数据，为现实应用提供灵活方案。

Comments Accepted to ACL 2026 Findings

A portable solution for simultaneous human movement and mobile EEG acquisition: readiness potential for basketball free-throw shooting

一种用于同时采集人体运动和移动脑电图的便携式解决方案：篮球罚球投篮的准备电位

Miguel Contreras-Altamirano, Melanie Klapprott, Nadine Jacobsen, Paul Maanen, Julius Welzel, Stefan Debener

专题命中 EEG解码 ：EEG(title,summary_cn)；分类 q-bio.NC

AI总结 研究利用两部智能手机和头戴式无线EEG放大器组成的便携装置，让篮球运动员罚球，探究能否捕捉准备电位及成功与失败罚球的电位差异，结果表明该装置可监测运动模式和脑动力学，且电位幅度与投篮成功无关。

Comments 18 pages, 6 figures. Peer-reviewed version published in Experimental Brain Research. Version of record: https://doi.org/10.1007/s00221-026-07342-6

Journal ref Experimental Brain Research 244, 153 (2026)

A Deep Generative Model for Resting-State EEG Synthesis and Transferable Representation Learning

一种用于静息态脑电合成与可迁移表示学习的深度生成模型

Yeganeh Farahzadi, Morteza Ansarinia, Zoltan Kekecs

机构 * Institute of Psychology, Eötvös Loránd University（埃斯特哈兹·洛朗大学心理学研究所） ； Doctoral School of Psychology, Eötvös Loránd University（埃斯特哈兹·洛朗大学心理学博士学院） ； Department of Behavioural and Cognitive Sciences, University of Luxembourg（卢森堡大学行为与认知科学系） 纠错

专题命中 EEG解码 ：EEG(title,summary_cn)；neural signal(abstract)；分类 q-bio.NC

AI总结 提出REST-GAN框架，结合对抗训练与自监督重构，从原始时域信号合成静息态EEG并学习可迁移表示，在频谱、连接性及分类任务中表现优异。

EVA-Net: Subject-Independent EEG Motor Decoding with Video-Derived Motor Priors

EVA-Net: 基于视频衍生运动先验的跨被试脑电运动解码

Ziyuan Li, Yueru Sun, Yimeng Zhang

机构 * South China University of Technology（华南理工大学） 纠错

专题命中 EEG解码 ：EEG(title,abstract)；BCI(abstract,abstract_cn)；brain-computer interface(abstract)

AI总结 提出EVA-Net两阶段框架，利用动作视频作为语义先验，通过跨模态对比学习和对齐减少个体差异，实现跨被试脑电运动解码，在EEGMMI上取得8.66%的LOSO准确率提升。

LuMamba: Latent Unified Mamba for Electrode Topology-Invariant and Efficient EEG Modeling

LuMamba: 用于电极拓扑不变且高效的EEG建模的潜在统一Mamba

Danaé Broustail, Anna Tegon, Thorir Mar Ingolfsson, Yawei Li, Luca Benini

机构 * ETH Zürich, Institute of Information Systems（苏黎世联邦理工学院信息系统研究所） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)

AI总结 提出LuMamba框架，结合拓扑不变编码和线性复杂度状态空间模型，通过LUNA的查询交叉注意力机制统一通道，FEMBA的双向Mamba块高效时序建模，在5个下游任务上以4.6M参数达到SOTA性能。

Comments EUSIPCO 2026, 5 pages, 2 figures, 4 tables

What Causes Performance Degradation in Cross-Subject EEG Classification?

跨主体脑电分类中性能下降的原因是什么？

Yihe Wang, Taida Li, Yujun Yan, Wenzhan Song, Xiang Zhang

专题命中 EEG解码 ：EEG(title,abstract)；motor imagery(abstract)

AI总结 本文研究了跨主体脑电分类性能下降的原因，发现主体间差异和捷径学习是主要因素，针对不同任务提出改进方法。

Comments Accepted by the IEEE International Conference on Systems, Man, and Cybernetics (IEEE SMC 2026)

EgoBrain: Synergizing Minds and Eyes For Human Action Understanding

EgoBrain：协同心智与视觉以实现人类行为理解

Nie Lin, Yansen Wang, Dongqi Han, Weibang Jiang, Jingyuan Li, Ryosuke Furuta, Yoichi Sato, Dongsheng Li

机构 * The University of Tokyo（东京大学） ； Microsoft Research Asia（微软亚洲研究院） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；BCI(abstract_cn)；brain-computer interface(abstract)；neural signal(abstract)

AI总结 研究人员构建了全球首个同步脑电与第一人称视觉的大规模多模态数据集EgoBrain，开发多模态学习框架实现行为理解，跨参与者与环境验证达66.70%准确率，为脑机接口研究提供新范式。

Comments Accepted to ICLR 2026. Camera-ready version. Project page: https://lin-nie.github.io/EgoBrain/

Cross-Cohort Spectral-Temporal Dissociation in Frozen EEG Foundation-Model Representations

脑电图基础模型对长程时间相关性视而不见：其跨群体脆弱性背后的频谱-时间解离

Marzieh Zare

专题命中 EEG解码 ：EEG(title,abstract)；分类 q-bio.NC、cs.LG

AI总结 研究探讨脑电图基础模型对长程时间相关性的表征及跨群体转移情况。通过探测五种模型，发现它们均未按时间顺序表示LRTC，频谱输入模型能恢复1/f但非DFA，跨群体转移方面各模型表现不一，揭示了模型在这方面的局限性。

SomnoNet: A Lightweight and Interpretable Framework for Sleep Staging Using Single-Channel EEG

SomnoNet：一种用于单通道脑电图睡眠分期的轻量级可解释框架

Shengwei Guo, Guobing Sun

专题命中 EEG解码 ：EEG(title,abstract)；分类 eess.SP

AI总结 研究旨在实现单通道脑电图自动睡眠分期，提出SomnoNet框架，先提取多尺度局部节律表示，再整合相关信息。在两个基准上有良好表现，还开发了紧凑变体SomnoNet-Nano，且能可视化决策证据，平衡了预测性能、紧凑性和决策支持。

Comments 12 pages, 10 figures

Comparison of Dimension Reduction Methods for EEG Seizure Detection Using Autonomous AI-Driven Optimization

使用自主人工智能驱动优化的脑电图癫痫检测降维方法比较

Annika Stiehl, Vishal Kagade, Nicolas Weeger, Nicole Ille, Stefan Geißelsöder, Christian Uhl

专题命中 EEG解码 ：EEG(title,abstract)；分类 eess.SP

AI总结 研究比较PCA、DyCA、DMD、AVD四种降维方法用于脑电图癫痫检测，通过自主人工智能驱动框架优化架构和超参数，结果显示基于方差的方法性能更优，最佳分类器架构因表示而异，突出输入表示重要性及自主实验的可行性。

Comments Accepted to BMT 2026

A Sliced-Wasserstein Framework on Correlation Matrices for EEG Decoding

用于脑电图解码的相关矩阵切片Wasserstein框架

Chen Hu, Rui Wang, Jiale Zhou, Jingjun Yi, Shaocheng Jin, Yidong Song, Yefeng Zheng

机构 * Westlake University（西湖大学） ； School of Artificial Intelligence and Computer Science（人工智能与计算机科学学院） ； Jiangnan University（江南大学） ； Sun Yat-sen University（中山大学） 纠错

专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG

AI总结 提出基于拉回欧几里得度量的切片Wasserstein框架，实例化两种相关矩阵切片Wasserstein差异，并构建脑电图解码的域泛化方法，在三个数据集上验证了分布偏移下的泛化能力提升。

Comments Accepted by KDD 2026

Prior-Guided Frequency-Calibrated Virtual EEG Channel Inference from Four Frontal Electrodes for Wearable EEG Augmentation

用于可穿戴脑电图增强的鲁棒频率校准虚拟脑电通道生成：来自四个额叶电极

Minghao Xiao

机构 * School of Biomedical Science and Engineering, South China University of Technology（生物医学工程学院，华南理工大学） ； School of Automation Science and Engineering, South China University of Technology（自动化科学与工程学院，华南理工大学） 纠错

专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG

AI总结 提出FAVC-Net网络，通过频率校准从四个额叶电极生成13个未测量通道，联合优化波形保真度、频谱分配和鲁棒性，在PRED+CT数据集上实现最佳波形-频谱性能。

Comments 19 pages, 4 figures

DAH-Net: A Dual-Attention Hybrid Network for Interpretable and Robust EEG-Based Emotion Recognition

DAH-Net: 用于可解释且鲁棒的基于脑电情绪识别的双注意力混合网络

S M Rakib UI Karim, Diponkor Bala, Wenyi Lu, Rownak Ara Rasul, Sean Goggins

机构 * Department of Electrical \& Computer Engineering University of Missouri Columbia, Missouri, USA ； Department of Computer Science ； Engineering City University Savar, Dhaka-1340, Bangladesh ； Department of Computer Science University of Missouri Columbia, Missouri, USA 纠错

专题命中 EEG解码 ：EEG(title,abstract)；brain-computer interface(abstract)；分类 cs.LG

AI总结 提出DAH-Net双注意力混合网络，集成1D-CNN、BiLSTM和双多头注意力，在2479样本988特征上达到99.19%测试准确率，优于传统模型，并通过特征分析揭示协方差特征贡献最大。

AnySleep: a channel-agnostic deep learning system for high-resolution sleep staging in multi-center cohorts

AnySleep：用于多中心队列中高分辨率睡眠分期的通道无关深度学习系统

Niklas Grieger, Jannik Raskob, Siamak Mehrkanoon, Stephan Bialonski

机构 * Department of Medical Engineering and Technomathematics, FH Aachen University of Applied Sciences（医学工程与技术学系，亚琛应用科学大学） ； Department of Information and Computing Sciences, Utrecht University（信息与计算科学系，乌得勒支大学） ； Institute for Data-Driven Technologies, FH Aachen University of Applied Sciences（数据驱动技术研究所，亚琛应用科学大学） 纠错

专题命中 EEG解码 ：EEG(summary_cn,abstract)；分类 eess.SP、cs.LG

AI总结 研究针对多中心睡眠分期难题，提出AnySleep深度学习系统，能从EEG或EOG数据以可调分辨率评分。经多数据集训练验证，性能达最优，可捕捉短清醒侵入，改善病理状况预测，公开模型助力睡眠研究与生物标志物发现。

Comments 29 pages, 10 figures, 7 tables

Neural Dynamics of AI-attributed Irony Reveal a Partial Intentional Stance

人工智能归因反讽的神经动力学揭示部分意向立场

Xiaohui Rao, Hanlin Wu, Zhenguang G. Cai

专题命中 EEG解码 ：EEG(summary_cn,abstract)

AI总结 研究探讨人们理解人工智能归因反讽时是否采取意向立场，通过EEG比较对AI与人类反讽话语的反应，发现人们对AI反讽未完全采取意向立场，神经反应受个体对AI认知调节，揭示AI社交障碍及相关重要意义。

A funny companion: Distinct neural responses to AI- versus human-attributed humor

一个有趣的伙伴：对人工智能与人类归因幽默的不同神经反应

Xiaohui Rao, Hanlin Wu, Zhenguang G. Cai

专题命中 EEG解码 ：EEG(summary_cn,abstract)

AI总结 研究人们对AI与人类归因幽默的神经反应，用EEG对比处理双关语及对照的方式，发现AI归因幽默使N400效应减弱、LPP增强，个体差异影响神经反应，凸显大脑对新幽默源的适应及幽默在人机互动中的作用。

Gravity-Awareness: Deep Learning Models and LLM Simulation of Human Awareness in Altered Gravity

重力感知：变重力环境下人类意识的深度学习模型与LLM模拟

Bakytzhan Alibekov, Alina Gutoreva, Elisa Raffaella-Ferre

机构 * School of IT & Engineering, Kazakh-British Technical University（信息技术与工程学院，哈萨克-英国技术大学） ； School of Psychological Sciences, Birkbeck University of London（心理学科学学院，伦敦伯贝克大学） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；cortical(abstract)；分类 q-bio.NC、eess.SP、cs.LG

AI总结 提出一个计算框架，结合轻量级MLP神经网络（CorticalG）和高斯过程模型（PhysioG）预测变重力下的脑电与生理反应，并用LLM模拟主观体验，为航天任务中的人类适应提供预测工具。

Comments 60 pages, 5 figures, 2 datasets, 1 protocol

Dynamic cross-scale wavelet coherence

动态跨尺度小波相干性

Haibo Wu, Marina I. Knight, Hernando Ombao

专题命中 EEG解码 ：EEG(summary_cn,abstract)

AI总结 提出一种新统计方法，首次实现功能脑网络中通道间局部相互作用的跨振荡特征描述，通过引入跨尺度依赖的CS-MvLSW模型，准确估计局部单尺度和跨尺度通道依赖性，并在ADHD儿童EEG数据中发现新的临床相关跨尺度相互作用。

Comments 82 pages

Variational Mixture of Graph Neural Experts for Alzheimer's Disease Recognition across Frequency Bands in EEG Brain Networks

用于跨脑电图脑网络频段的阿尔茨海默病识别的变分图神经专家混合模型

Jun-En Ding, Anna Zilverstand, Shihao Yang, Albert Chih-Chieh Yang, Feng Liu

机构 * Department of Industrial and Systems Engineering, Rutgers University（鲁特大学工业与系统工程系） ； Department of Psychiatry and Behavioral Sciences, University of Minnesota（明尼苏达大学精神病学与行为科学系） ； Institute of Brain Science, College of Medicine, National Yang-Ming Chiao Tung University（国家阳明交通大学医学院脑科学研究所） 纠错

专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG

AI总结 针对痴呆症脑电图诊断难题，提出VMoGE框架，结合多频段脑电图分析、变分图神经网络和专家混合架构。实验显示其性能强大，还具有临床转化价值，能关联疾病指标、揭示频段变化，为痴呆症诊断提供新方法和依据。

Learning aligned EEG representations with subject-specific encoders

学习带有主体特定编码器的对齐脑电图表示

Bruna J. Lopes, Gabriel Schwartz, Sylvain Chevallier, Raphael Y. de Camargo, Bruno Aristimunha

机构 * University of São Paulo（圣保罗大学） ； Université Paris-Saclay, Inria TAU team, LISN-CNRS（巴黎萨克雷大学，Inria TAU团队，LISN-CNRS） ； Institut de neuromodulation, GHU Paris, psychiatrie et neurosciences, centre hospitalier Sainte-Anne, pôle hospitalo-universitaire 15, Université Paris Cité（神经调控研究所，GHU巴黎，精神病学与神经科学，圣安娜医院，大学医院中心15区，巴黎西岱大学） ； Federal University of ABC (UFABC)（ABC联邦大学） ； Yneuro ； Swartz Center for Computational Neuroscience (SCCN), Institute for Neural Computation (INC), University of California San Diego（斯沃茨计算神经科学中心，神经计算研究所，加州大学圣地亚哥分校） 纠错

专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG

AI总结 提出使用主体特定编码器替代共享编码器，结合共同分类器实现跨主体脑电图对齐，实验表明该方法能内化欧几里得对齐的作用，提高类别区分度，并识别出未见主体的编码器选择是主要瓶颈。

Variational Phasor Circuits for Phase-Native Brain-Computer Interface Classification

变分相量电路用于相位本征脑机接口分类

Dibakar Sigdel

机构 * Mindverse Computing LLC 纠错

专题命中 EEG解码 ：brain-computer interface(title)；EEG(abstract)；分类 cs.LG

AI总结 本文提出变分相量电路（VPC），一种基于连续S¹单位圆流形的确定性经典学习架构，通过相位本征设计实现二分类和多分类任务，展示其在脑机接口中优于传统欧几里得基线的性能。

SpaTeoGL: Spatiotemporal Graph Learning for Interpretable Seizure Onset Zone Analysis from Intracranial EEG

SpaTeoGL: 用于颅内脑电图可解释癫痫发作起始区分析的时空图学习

Elham Rostami, Aref Einizade, Taous-Meriem Laleg-Kirati

机构 * Inria Saclay（Inria萨克莱实验室） ； Palaiseau, France（法国帕莱伊索） 纠错

专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG

AI总结 提出SpaTeoGL框架，通过联合学习窗口级空间图和时间图，在平滑图信号处理框架下交替求解，实现癫痫发作起始区的可解释定位，在多中心iEEG数据集上优于基线方法。

Comments 5 pages, 4 figures

FSDBN: Foreground-Aware EEG-Visual Alignment via Dynamic Brain Networks

FSDBN：通过动态脑网络实现前景感知的脑电图-视觉对齐

Yiheng Liu, Chuhang Zheng, Peiliang Gong, Jingtao Liu, Daoqiang Zhang, Qi Zhu

机构 * College of Artificial Intelligence, Nanjing University of Aeronautics and Astronautics（人工智能学院，南京航空航天大学） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 研究基于脑电图的视觉解码问题，提出FSDBN框架，通过语义一致显著对齐和语义先验动态门控前景融合，结合自适应时空脑网络建模，实现前景感知的脑电图-视觉对齐，在零样本脑到图像检索实验中取得优异成绩。

A swap-adversarial framework for improving domain generalization in electrocorticography-based Parkinson's disease classification

基于皮层脑电图的帕金森病分类中改善领域泛化的交换对抗框架

Seongwon Jin, Hanseul Choi, Sunggu Yang, Sungho Park, Jibum Kim

机构 * Department of Computer Science and Engineering, Incheon National University（仁川国立大学计算机科学与工程系） ； Department of Nanobioengineering, Incheon National University（仁川国立大学纳米生物工程系） ； Center for Brain-Machine Interface, Incheon National University（仁川国立大学脑机接口中心） ； Department of Artificial Intelligence, Inha University（仁荷大学人工智能系） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；brain-computer interface(abstract)；分类 cs.LG

AI总结 提出交换对抗框架，通过脑图引导的通道交换和领域对抗学习，缓解皮层脑电图数据的高变异性与小样本问题，实现跨被试、跨会话和跨数据集的鲁棒泛化。

EpiLENS: Patient-Relative Epileptogenic Zone Localization from Multi-Center Intracranial EEG

EpiLENS：基于多中心颅内脑电图的患者相对致痫区定位

Yuanchu Gong, Zibo Yan, Yibo Lyu, Chen Chen, Sixian Chan, Yalin Wang

专题命中 EEG解码 ：EEG(title)

AI总结 本研究提出EpiLENS框架，通过保守双证据定位策略结合PRQ-Net与BCR-Net分支，在多中心iEEG数据上实现更准确的患者相对致痫区定位，性能优于基线方法且泛化性良好。

Comments 17pages, 6 figures

Advanced EEG Source Models from the Perspective of FEM and Inverse Solutions

基于有限元法与逆问题求解的先进脑电源模型

Santtu Söderholm, Joonas Lahtinen, Sampsa Pursiainen

专题命中 EEG解码 ：EEG(title)

AI总结 该研究对比了两款有限元软件的脑电源模型，结合多种源估计方法，发现逆方法的性能取决于源聚焦假设与源模型的兼容性，宽分布源模型对噪声更敏感。

Comments 18 pages, 14 figures, an extended version of the conference paper https://arxiv.org/abs/2604.20448, fixed typo in Section 4.5 title

Is Self-Pretraining really useful to improve diagnosis in medical Time Series?

自预训练（SPT）真的有助于改进医疗时间序列的诊断吗？

Omar Coser, Antonio Orvieto, Paolo Soda, Loredana Zollo

机构 * Università Campus Bio-Medico di Roma（罗马生物医学大学校园大学） ； Umeå University（于默奥大学） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； ELLIS Institute Tübingen（埃利斯研究所蒂宾根分所） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 cs.LG

AI总结 该研究探究自预训练（SPT）对Transformer在医疗时间序列诊断任务的影响，发现SPT可提升分类准确率0-6个百分点，是无需修改架构的通用有效策略。

Comments 21 pages, 7 figures,4 tables

Wearable Device-Based Real-Time Monitoring of Physiological Signals: Evaluating Cognitive Load Across Different Tasks

基于可穿戴设备的生理信号实时监测：评估不同任务下的认知负荷

Ling He, Yanxin Chen, Wenqi Wang, Shuting He, Xiaoqiang Hu

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 cs.HC

AI总结 本研究利用可穿戴技术，通过分析FP1通道脑电图和心率变异性数据，结合随机森林分类模型，实现了对中职学生认知负荷的高精度（97%）实时评估，并验证了跨任务迁移性。

Comments We are withdrawing this version as the submission was made prior to the completion of full internal coordination among all co-authors. To ensure consistency and avoid any potential misinterpretation, we have decided to withdraw the manuscript and leave it archived as a preprint record only