认知工作负荷的估计在高风险环境中日益重要，连续、无创的生理信号监测可以为自适应系统和安全干预提供依据。本文提出 FOCUS（Frequency-band Optimized Cognitive-load Ultralight SSM），一种基于 Mamba-2 的轻量级模型，用于在数据受限条件下进行 EEG 二分类工作负荷判别。FOCUS 不通过学习来获取频率敏感性，而是使用固定的快速傅里叶变换（FFT）将预处理后的多通道 EEG 分解为五个标准频段（δ、θ、α、β、γ）。模型主体由深度可分离卷积和权重共享的编码器‑瓶颈 Mamba-2 对组成，总参数量 0.04 M，计算量 0.11 GFLOPs。
在 11 名受试者的 pilot 实验中，采用留一受试者交叉验证，覆盖三种认知任务。FOCUS 在完整数据集上取得 74.75% 的准确率，GPU 前向推理延迟仅 0.08 ms。权重共享的消融实验显示，共享配置比非共享配置在完整数据集上提升 4.55 个百分点，同时减少了 SSM 参数预算；但在双侧 Wilcoxon 符号秩检验中差异未达显著水平（$p=0.083$）。
综上所述，FOCUS 在受控 pilot 场景下实现了分类性能与计算成本的良好平衡，适合作为资源受限设备的实时工作负荷监测方案。点评