脑机百科消息(bciwiki.com)，一项结合脑电与视觉注视的AI模型在注意力识别上达到91.8%的准确率，认知负荷评估准确率为89.4%。该研究由Yabo Yang完成，发表于2026年8月15日的《Discover Artificial Intelligence》期刊。
研究提出一种多模态感知框架，利用关系图卷积网络（R-GCN）对脑电电极空间拓扑关系进行建模，并设计基于AI仲裁的跨模态注意力网络（ACM-Net），实时编码视觉注视动态以加权脑电空间特征。模型通过多任务学习架构独立输出注意力水平和认知负荷维度。
在MAHNOB-HCI、DEAP和SEED三个公开数据集上，注意力识别准确率分别为87.6%、85.2%和88.1%，认知负荷评估准确率分别为84.3%、82.7%和85.9%，RMSE值分别为0.251、0.273和0.244。与最佳单模态模型相比，RMSE降至0.218，性能提升约30.1%。消融实验显示，R-GCN空间建模与ACM-Net贡献最大，跨个体验证表明模型具有良好的泛化性能。