缓解跨数据库差异以学习统一的 HRTF 表征

基于摘要分析。本文研究如何缓解多个头相关传递函数（HRTF）数据库之间的系统性差异，以利用各库有限的样本学习统一表征，并支持个体化 HRTF 预测。作者提出跨数据库的 HRTF 频率响应归一化方法，主要研究对象是虚拟听觉显示中的声学传递函数，而非 EEG 或 BCI 解码。 问题与机制：不同数据库不仅具有不同的空间采样位置，即使在相同位置，HRTF 也可能存在可用于辨别数据库来源的系统性差异。作者将这些差异的可能成因归于测量设置变化，并尝试通过频率响应归一化降低数据库特有的测量影响。摘要未提供归一化公式、参数估计方式、所需监督信息，以及如何保留个体声学特征的细节。 结果与边界：作者报告，在其评估条件下，归一化后的 HRTF 无法再按数据库来源被分类；作者还报告，这些数据能够比既有方法支持更统一的跨数据库 HRTF 表征学习。摘要未列出数据库、样本规模、数据划分、分类器、对照方法或定量指标，实验协议、消融及统计信息尚未验证。数据库来源不可辨识并不自动意味着个体化信息得到保留，也不能据此确认声源定位或个体化 HRTF 预测性能提升。 平台推测（待验证）：可考察的迁移假设是，若 EEG 的跨设备或跨数据库偏移中包含相对稳定的频率响应差异，类似归一化或有助于减轻部分测量域偏移。可借鉴的是频响校正与数据库可辨识性诊断，需改造的是 EEG 通道对应、校正参数估计及任务信息保留评估；HRTF 的方向性声学结构不能直接对应 EEG。低信噪比、跨被试生理差异、通道配置不一致及小样本参数估计均可能使该假设失效。小规模可证伪实验可在固定跨数据库 EEG 划分中，对比归一化前后的数据库来源分类与任务分类表现，检验来源可辨识性降低是否伴随任务信息损失。上述迁移不是本文已验证结果，相关 EEG 工作尚未检索确认。