在模拟多级管制任务的跨受试者评估中，动态微状态引导的图卷积网络（DMG-GCN）实现80.30%的平均准确率和78.63%的平均F1分数。该模型由南京航空航天大学等机构的研究者提出，用于解码空中交通管制员的脑电认知负荷。它通过动态选择性核时间卷积模块提取多尺度时频特征，微状态引导的动态图模块构建随时间演化的邻接矩阵以分离拓扑子网络，随后由时空图卷积模块聚合表征，时间自注意力机制聚焦任务关键转换时刻。探索性分析显示，提取的拓扑子网络空间模式与特定脑网络重组一致，涵盖从全局分布式监测到时间多模态整合及顶枕区并行处理。相关成果2026年8月26日发表于《Biosensors》。
