En algunos procesos de producción laboral complejos e interacciones humano-máquina, como la conducción de metro, para garantizar tanto la eficiencia y rapidez en la realización del trabajo como la seguridad personal del personal y la integridad del equipo operativo, se monitorea en todo momento el nivel de carga mental (MW) de los operadores. En los métodos de clasificación de MW basados en aprendizaje automático existentes, casi no se considera la información de asociación entre neuronas en diferentes regiones. Para resolver el problema anterior, se propone una red de convolución de gráficos basada en el bloque de compresión y excitación (SE). Para una señal cruda de electroencefalograma (EEG), se realiza la operación de reducción de dimensionalidad del análisis de componentes principales (PCA). Después, combinado con la distribución espacial entre electrodos cerebrales, los datos de reducción de dimensionalidad pueden convertirse en datos de estructura de gráficos, llevando información de asociación entre neuronas en diferentes regiones. Además, utilizamos una red neuronal de convolución de gráficos (GCN) modificada por residual SE para obtener resultados finales de clasificación. Aquí, para recalibrar de forma adaptativa las respuestas de características por canal al modelar explícitamente las interdependencias entre canales, se introduce el bloque SE. La conexión residual puede facilitar el entrenamiento de las redes. Para discutir el rendimiento del método propuesto, realizamos algunos experimentos utilizando las señales de EEG crudas de 10 sujetos sanos, que se recopilan utilizando la plataforma MATB-II basada en manipulación de contexto aéreo multitarea. A partir de los resultados experimentales, se verifica la razonabilidad estructural y la superioridad de rendimiento del método propuesto. En resumen, el método propuesto GCN modificado por el método residual SE es un plan viable para la clasificación de carga mental.