卷积神经网络在中文 EEG 听觉注意解码数据集上的鲁棒性与泛化能力验证

基于摘要分析。本文研究卷积神经网络在中文 EEG 听觉选择性注意解码（ASAD）中的鲁棒性与泛化能力，核心贡献是对作者此前提出的数据集开展多种留一验证，将评估从已见被试和试次扩展至未见被试、试次及被注意的音频。 研究背景与方法：摘要指出，深度神经网络能够捕捉训练数据中的复杂模式，但也存在过拟合风险，因此预处理与交叉验证对可靠评估十分重要。作者认为，现有 EEG 数据集多采用单说话人或固定位置的双说话人场景，对更复杂空间场景的覆盖有限；其此前的数据集包含十五个可选的竞争说话人方向。本文重点是扩展该数据集的验证范围，而非摘要中明确提出的新网络架构。 结果与协议：作者报告，在 leave-one-subject-out、leave-one-trial-out、leave-one-audio-out 和 leave-one-moment-out 四种范式下，该数据集均包含支持二分类 ASAD 的有效信息。其中，留一被试评估涉及 Cross-subject 泛化；其余协议分别考察试次、音频和时间片段层面的留出表现，不能相互替代，也不能据此推定 Cross-session 或 Cross-dataset 泛化。摘要未给出具体指标、数值、对照基线或各协议的数据划分细节，因此无法判断性能差距及统计可靠性。 研究边界与复现核对：作者报告能够解码被注意的方向，并据此提出进一步探索多分类 ASAD，以服务神经引导助听器；摘要中的二分类结果不能直接视为多分类解码或助听器应用已经得到验证。复现时需核对预处理、卷积神经网络结构、二分类标签定义、各留一协议的训练与测试边界，以及 leave-one-moment-out 中时间片段的具体定义。实验协议、消融及统计信息尚未验证，数据和实现的可获取性也尚未确认。