arXiv cs.AI· Ioannis Kyprakis, Stefanos Gkikas, Chariklia Chatzaki, Zongyi Jiang, Randy Gomez, Raul Fernandez Rojas·· 11 小时前AI 评分22
FOCUS：用于 EEG 认知负荷分类的轻量级 Mamba-2 模型
FOCUS: A Lightweight Mamba-2 Model for EEG-Based Cognitive Workload Classification
AI 导读
FOCUS 是一个基于 Mamba-2 的轻量级模型，用于数据受限条件下的 EEG 二分类认知负荷识别，参数量仅 0.04 million、计算量 0.11 GFLOPs。
正文 · AI 翻译
摘要：基于生理信号的认知负荷估计在高风险环境中日益重要，因为持续且无干扰的监测可为自适应系统和安全干预提供依据。本文提出 FOCUS（频带优化认知负荷超轻量 SSM），这是一个基于 Mamba-2 的紧凑模型，用于在数据受限条件下进行基于 EEG 的二分类工作负荷分类。FOCUS 并非从数据中学习频率敏感性，而是使用覆盖五个经典 EEG 频带的固定 FFT 分解对预处理后的多通道 EEG 进行编码。该模型结合了深度可分离卷积和一对权重共享的编码器-瓶颈 Mamba-2，参数量为 0.04 百万，计算量为 0.11 GFLOPs。在一项包含 11 名参与者的初步研究中，采用留一被试交叉验证，在三种认知上不同的任务上进行评估，FOCUS 在完整数据集上达到 74.75% 的准确率，GPU 模型前向延迟为 0.08 ms。在权重共享消融实验中，共享配置在完整数据集上的准确率比非共享变体高 4.55 个百分点，同时减少了 SSM 参数预算；然而，在双侧 Wilcoxon 符号秩检验下，这一差异未达到统计显著性（$p=0.083$）。总体而言，在这一受控的初步实验环境中，所选的 FOCUS 配置在分类性能和计算成本之间提供了有利的权衡。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.32361 [cs.AI] |
| （或 arXiv:2610.32361v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32361 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Stefanos Gkikas [查看电子邮件]
[v1]
2026年10月23日星期五 08:54:09 UTC（270 KB）
来源：arXiv cs.AI · arxiv.org