【摘要】为探究不同认知负荷下的人脑活动，设计了三种实验范式（N-Back、心算和Sternberg），采集被试者在三类认知负荷下的脑电图（electroencephalogram， EEG）信号，并对EEG信号进行预处理、特征提取和特征分类。模型设计中，通过相位锁相值（phase locking value， PLV）计算了EEG的功能连接特征，将PLV功能连接矩阵作为脑功能网络的边；以微分熵特征（differential entropy， DE）作为网络的节点信息，实现了EEG频域与空间域特征的融合，利用图注意力神经网络（graph attention networks， GAT）完成了跨任务的认知负荷分类。实验结果表明，提出的模型在跨任务三分类认知负荷识别中取得了57.12%的平均分类准确率；其中，被试依赖三分类平均准确率可达74.47%。同时，基于复杂网络理论，从全局和局部两个层次分析了不同负荷状态下大脑网络结构的变化。结果表明：一方面，随着认知负荷程度增加，theta与alpha频段的全局聚类系数逐渐减小，delta与theta频段的全局效率则有所提高；另一方面，theta频段下的额叶、顶叶与颞叶脑区电极的局部效率呈上升趋势。网络全局与局部的度量变化表明随着人脑认知负荷程度的提高，功能脑网络的拓扑结构在发生改变。