FOCUS: A Lightweight Mamba-2 Model for EEG-Based Cognitive Workload Classification

📄 arXiv: 2610.32361v1 📥 PDF

作者: Ioannis Kyprakis, Stefanos Gkikas, Chariklia Chatzaki, Zongyi Jiang, Randy Gomez, Raul Fernandez Rojas

分类: cs.AI

发布日期: 2026-10-23

💡 一句话要点

提出FOCUS模型以解决EEG认知负荷分类问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: EEG信号 认知负荷 深度学习 轻量级模型 生理信号处理 自适应系统 高风险环境

📋 核心要点

  1. 现有方法在EEG信号处理和认知负荷分类中面临数据受限和模型复杂度高的挑战。
  2. FOCUS模型通过固定FFT分解和深度可分离卷积，优化了EEG信号的处理，降低了模型复杂度。
  3. 在初步实验中，FOCUS模型在准确率上达到了74.75%，并且在权重共享配置下表现出更好的性能提升。

📝 摘要（中文）

在高风险环境中，从生理信号估计认知负荷的需求日益增加，能够实现持续且不干扰的监测，以支持自适应系统和安全干预。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，旨在在受限数据条件下进行EEG的二元负荷分类。FOCUS通过固定的FFT分解对多通道EEG进行编码，覆盖五个经典EEG频段。该模型结合了深度可分离卷积和权重共享的编码-瓶颈Mamba-2对，参数量仅为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，FOCUS在三种认知任务下的留一法交叉验证中，达到了74.75%的准确率，GPU模型前向延迟为0.08毫秒。

🔬 方法详解

问题定义：本文旨在解决在受限数据条件下进行EEG信号的认知负荷分类问题。现有方法通常依赖于复杂的模型和大量数据，导致在高风险环境中的应用受限。

核心思路：FOCUS模型通过固定的FFT分解对EEG信号进行编码，避免了从数据中学习频率敏感性的问题，同时结合深度可分离卷积以降低模型复杂度。

技术框架：FOCUS的整体架构包括数据预处理、固定FFT分解、深度可分离卷积层和权重共享的编码-瓶颈结构。该框架旨在提高分类效率并减少计算成本。

关键创新：FOCUS的主要创新在于其轻量级设计和固定的频带编码方式，这与传统方法依赖于复杂模型和动态频率学习的方式有本质区别。

关键设计：FOCUS模型的参数量为0.04百万，计算量为0.11 GFLOPs，采用深度可分离卷积和权重共享配置，优化了模型的性能与计算效率。

🖼️ 关键图片

fig_0

📊 实验亮点

FOCUS模型在初步实验中表现出74.75%的准确率，相较于非共享配置提高了4.55个百分点，尽管该提升未达到统计显著性（$p=0.083$）。模型的前向延迟仅为0.08毫秒，显示出良好的实时性能。

🎯 应用场景

FOCUS模型在高风险环境中的应用潜力巨大，例如航空、医疗和工业等领域。通过实时监测认知负荷，FOCUS能够为自适应系统提供支持，提升安全性和效率。未来，该模型有望在智能监控和人机交互等领域发挥重要作用。

📄 摘要（原文）

Cognitive workload estimation from physiological signals is increasingly relevant in high-risk environments, where continuous and unobtrusive monitoring can inform adaptive systems and safety interventions. This paper presents FOCUS (Frequency-band Optimized Cognitive-load Ultralight SSM), a compact Mamba-2-based model for EEG-based binary workload classification under constrained data conditions. Rather than learning frequency sensitivity from data, FOCUS encodes preprocessed multi-channel EEG using a fixed FFT decomposition that covers the five canonical EEG bands. The proposed model combines depthwise-separable convolution and a weight-shared encoder-bottleneck Mamba-2 pair, with 0.04 million parameters and 0.11 GFLOPs. Evaluated in a pilot study with 11 participants under leave-one-subject-out cross-validation across three cognitively distinct tasks, FOCUS achieves 74.75% accuracy on the full dataset at 0.08 ms GPU model-forward latency. In the weight-sharing ablation, the shared configuration achieves 4.55 percentage points higher accuracy on the full dataset than the non-shared variant while reducing the SSM parameter budget; however, this difference does not reach statistical significance under a two-sided Wilcoxon signed-rank test ($p=0.083$). Overall, the selected FOCUS configuration provides a favorable trade-off between classification performance and computational cost within this controlled pilot setting.