利用EEG微观状态特征对大型语言模型进行微调以进行认知负荷评估

本研究探索了脑电图（EEG）微观状态与大型语言模型（LLM）的交叉应用，以增强对认知负荷状态的评估。通过利用EEG微观状态特征，研究旨在微调LLM以提高对不同认知状态（'休息'和'负荷'）的预测准确性。实验设计分为四个全面阶段：数据集收集与预处理、微观状态分割与EEG反馍、特征提取配合提示工程，以及严谨的LLM模型选择与优化。采用监督学习范式，对LLM进行训练以基于整合到提示中的EEG微观状态特征识别认知负荷状态，从而实现对认知负荷的准确区分。为支撑实验框架，构建了将EEG特征与特定认知负荷条件关联的精选数据集。结果表明，按所提出方法进行的微调显著提升了模型性能，彰显了EEG信息化LLM在认知神经科学和认知AI应用中的潜力。这一方法不仅有助于深化对脑神经动力学的理解，也为机器学习技术在认知负荷和认知AI研究中的应用指明了前景。