选择性聆听中 EEG 信号的时间动态建模

该研究针对多人交谈与噪声环境中的听觉注意检测（AAD），提出 ST-LSTM，以 spiking LSTM 和脉冲式时间注意力建模 EEG 的时间动态，识别听者关注的声音来源。基于摘要分析，未取得论文全文。 核心机制是利用 spiking LSTM 捕捉 EEG 的动态、非线性时间特征，并通过脉冲式时间注意力动态赋予不同时间信息差异化权重，以增强 EEG 特征表示。摘要未提供脉冲编码方式、神经元动力学、注意力权重计算、损失函数或训练与推理细节，因此尚不能确定性能提升分别来自哪些模块。 作者报告，在一个广泛使用的 AAD 数据集上开展多组实验，ST-LSTM 优于其他竞争模型，尤其在低延迟设置下表现更好。摘要未给出数据集名称、被试数量、决策窗口长度、被试内或跨被试划分、对照模型及具体指标，因而无法量化优势，也不能直接与其他协议下的结果比较。实验协议、消融及统计信息尚未验证。 作者还报告该模型具有低功耗特点，并提出其可用于神经引导助听器及便携式 BCI 的边缘计算部署。需进一步核对能耗是实测还是估算、运行硬件及计算精度，以及低延迟决策条件下的性能—能耗权衡；摘要中的应用前景不等于已完成设备部署或临床验证。复现还需确认数据预处理、输入形式、脉冲实现与代码可用性。