面向基于 EEG 的听觉注意解码的自监督深层表征研究

基于摘要分析。研究考察深层自监督表征能否改善基于 EEG 的听觉注意解码（Auditory Attention Decoding，AAD），重点比较不同声学表征在线性解码器下的表现，并分析表征层与分析窗口大小的影响。 研究使用来自多项研究、涵盖 57 名被试及多种语言的 EEG 数据，比较 12 种深层表征与 2 种浅层表征。摘要将听觉包络和频谱图列为浅层表征的例子，但未给出深层自监督模型名称、预训练数据、具体特征提取过程或解码目标的完整定义。这里的比较重点是输入表征，而非证明更复杂的 EEG 解码网络更有效。 作者报告，在所考察的数据集和分析窗口下，深层特征对背景说话者的 AAD 解码表现持续优于浅层特征。摘要未提供具体指标、分数、窗口时长、数据划分或被试内与跨被试评估协议，因此无法量化提升幅度，也不能据此断言跨被试或跨语言泛化能力。作者还分析了自监督表征不同层及窗口大小对表现的影响，但摘要未说明最优层或具体变化趋势。 作者将背景说话者的结果解释为：脑内可能存在对未注意信号的非线性编码，而深层非线性特征有助于揭示这种编码。这是作者提出的机制解释，不能仅凭解码优势视为已证实的神经机制。该工作为 EEG-based AAD 的声学表征选择提供了比较依据；复现前需核对各数据集的任务条件、注意与未注意目标定义、训练测试划分、特征时间对齐及基线配置。实验协议、消融及统计信息尚未验证。