Fine-Tuning Large Language Models Using EEG Microstate Features for Mental Workload Assessment

文章总结与翻译

一、文章主要内容

该研究聚焦脑电图（EEG）微状态与大型语言模型（LLMs）的交叉领域，旨在通过EEG微状态特征微调LLMs，提升对“休息”（Rest）和“负载”（Load）两种认知负载状态的评估准确性，具体内容如下：

1. 研究背景：LLMs在自然语言处理领域表现出色，但在复杂认知任务中存在不足；而EEG微状态作为大脑电活动的短暂准稳定状态，能反映认知过程，二者结合或可增强LLMs的认知评估能力。
2. 实验设计：分为四个核心阶段
   • 数据集收集与预处理：采用两个含精神算术任务的EEG数据集（共103名受试者），因样本量有限，用生成对抗网络（GAN）合成数据，通过合成数据质量评分（含字段分布稳定性、字段相关性稳定性、深度结构稳定性）验证合成数据质量。
   • 微状态分割与EEG反拟合：先基于全局场功率（GFP），用改进K均值聚类算法识别微状态原型，再将原型反拟合回EEG数据，通过全局解释方差（GEV）量化匹配程度。
   • 特征提取与提示工程：从反拟合后的EEG微状态中提取5个特征（全局解释方差、平均相关性、时间覆盖率、平均持续时间、每秒出现次数），并设计包含这些特征的提示模板，用于LLM训练。
   • LLM模型选择与微调：选择Llama 3.1（80亿参数），基于标注认知负载状态的EEG微状态特征提示数据集，采用监督学习微调，优化损失函数