本文系统综述了基于深度神经网络(DNN)的脑电图(EEG)认知工作负荷(CWL)检测研究。研究聚焦两大方面：(1)识别常用认知负荷诱发实验范式，发现心算任务、N-back任务、飞行模拟等是主要范式；(2)分析DNN在CWL检测中的应用，发现CNN(27%)和RNN(17%)为最常用架构，多数研究直接使用原始EEG信号输入而绕过特征提取步骤。结果显示当前研究存在三大局限：模型多限于特定被试(43%)

本文介绍了三个公开脑电图数据集：EEGMAT记录60名受试者心算任务的23通道EEG，按计算质量分组；STEW包含48人使用Emotiv设备执行多任务时的14通道EEG及主观评分；TU Berlin数据集提供26名受试者同步EEG-NIRS记录，包含三种认知任务（N-back、DSR、词语生成）的多模态数据及分析结果。三个数据集分别采用不同设备（Neurocom、Emotiv EPOC）和实验范式

摘要：本研究针对脑电（EEG）信号跨任务、跨被试认知负荷识别中的泛化性问题，提出了一系列基于机器学习和深度学习的解决方案。首先，通过设计多任务实验范式（字母序列记忆和数学加法任务），构建了包含PSD和COH特征的EEG数据集。针对跨任务场景，比较了TCA、JDA、BDA和TJM四种迁移学习方法，其中TJM方法通过联合分布对齐和样本重加权实现最佳性能（准确率提升3%-8%）。针对跨被试问题，提出了联