脑电注意力识别换掉了固定电极连接图。此前多频段特征靠简单拼接、通道关系按预设邻接矩阵处理，难以刻画任务中变化的通道耦合。DGCSA把电极当作图节点，用可学习邻接矩阵动态更新通道拓扑，并用自注意力补上全局依赖，同时以贝叶斯优化的频带权重融合功率谱密度与微分熵。在20名参与者、873段3秒脑电上，三分类准确率为91.67%，高于SVM、CNN与LSTM基线；VR场景的平均注意力得分也高于2D。
脑电注意力识别不再依赖固定的电极连接先验，通道之间的连接强度在训练中随特征相似度更新。 此前的图卷积方法使用静态邻接矩阵，把电极间关系当作固定结构，无法表示任务中短暂变化的耦合。 消融对比中，静态拓扑图卷积网络为84.8%，比完整DGCSA低6.9个百分点；只用动态图卷积为87.9%，比完整模型低3.8个百分点。
多频段特征不再直接拼接，而是按频带分别给功率谱密度和微分熵分配权重后再融合。 简单拼接会把特征维度翻倍并引入冗余，随机森林与梯度提升树在拼接后准确率反而略有下降。 在SVM、随机森林和梯度提升树三种分类器上，频带加权融合都取得最高准确率，分别为84.8%、87.9%和81.8%。
模型把动态图卷积与自注意力两路输出等权相加，再送入全连接层完成低、中、高三类注意力判别。 卷积网络难以建模高阶空间依赖，长短期记忆网络偏重时间线索而通道结构不足，多层感知机没有显式结构建模。 在相同特征与数据划分下，DGCSA的准确率高于多层感知机的85.61%、卷积网络的84.8%和长短期记忆网络的87.88%。
结果建立在20名18至23岁健康大学生、64通道采集、873段3秒脑电的自采数据集上，注意力标签由Schulte Grid完成时间与准确率划分。适用场景是虚拟与2D学习任务中的三类注意力识别，以及两种场景的注意力得分比较。原文提出后续应在更大、更多样的队列上验证，并采用被试独立协议与外部队列验证。
原文指出样本量与人群多样性有限，可能影响对其他年龄与学习者群体的泛化，并存在过拟合风险。VR采集还引入运动伪迹与更高感觉负荷，预处理虽经视觉检查、独立成分分析半自动标注加人工确认，残余伪迹仍可能影响高频特征与学到的连接模式。VR相对2D的优势可能部分来自新奇效应，随机顺序与一天间隔只能减轻而不能排除，需要纵向重复VR会话判断收益是否在习惯化后持续。低注意力样本被误判为高注意力，原文归因于两类状态的特征重叠以及闭眼静息与任务态之间的标注不对称。
