ListenNet：用于听觉注意检测的轻量级时空增强嵌套网络

基于摘要分析。该研究面向多说话人环境中的听觉注意检测（AAD），目标是利用 EEG 判断被注意说话人的方向，提出轻量级时空增强嵌套网络 ListenNet，以加强 EEG 时空依赖建模并改善解码与泛化能力。 方法包含三个核心模块：Spatio-temporal Dependency Encoder（STDE）重建跨通道、连续时间窗之间的依赖，以增强动态模式提取的鲁棒性；Multi-scale Temporal Enhancement（MSTE）提取多尺度时间特征，同时表征细粒度与长程时间模式；Cross-Nested Attention（CNA）通过动态注意力整合层级特征，捕获更深层的时空关联。摘要未提供这些模块的具体算子、嵌套连接方式、损失函数及训练细节。 作者报告，在三个公开数据集的被试依赖与被试独立设置中，ListenNet 的表现优于所比较的现有先进方法，同时可训练参数量减少约 7 倍。摘要未列出数据集名称、被试数、划分方式、决策时间窗、具体指标与分数，也未明确参数量比较所针对的基线，因此尚不能量化其收益或跨协议比较性能。 作者提供了代码地址，但实现与论文结果的一致性尚未核验。复现时宜重点核对被试内及跨被试的数据划分、时间窗设置、各模块消融，以及参数量缩减对应的模型和统计口径。实验协议、消融及统计信息尚未验证；参数量减少也不能直接等同于推理延迟或部署功耗降低。