脳波（EEG）を用いた認知負荷の推定は、人間中心設計と安全性が求められるシステムにおいて極めて重要です。EEGは負荷評価に広く利用されていますが、異なるタスク、データセット、被験者間での領域別EEG信号の貢献度の一貫性については、これまで明らかにされていませんでした。本研究は、頭皮上の解剖学的に定義された領域に属する電極からのみ抽出された特徴量を用いてモデルを訓練・評価するEG領域別評価フレームワークを提示しています。 研究チームは、様々なタスク要件、記録機器、電極配置を網羅する公開されている4つのEEG負荷データセットを対象に大規模分析を実施しました。領域の重要度は、モデルに依存しない性能ベースのアプローチを用いて定量化され、被験者混合評価と被験者独立評価の両方のプロトコルで評価されました。結果はランクベースの戦略を使用して集約され、様々な実験条件での堅牢性が確保されました。 全データセットと被験者独立評価においても、前頭部電極グループは全頭皮ベースラインに対して相対ランク位置で約15～20%の性能向上を示しながら、実質的に少ない電極数で達成しました。前頭中央部領域は最も安定した予測有用性を示し、一方で後頭部および後頭葉領域は実験条件全体を通じてばらつきのある貢献度しか示しませんでした。 これらの知見は、負荷関連のEEG情報が前頭部および前頭中央部電極グループ内に最も一貫して保持されていることを示唆しており、効率的で汎用的なEEGベースの負荷監視システムの設計を支援するものです。