ATGnet：用于鸡尾酒会场景中 EEG 声源追踪的自适应时序图网络

基于摘要分析。该研究关注复杂听觉环境中移动声源的连续轨迹追踪，而不只是选择性听觉注意解码。作者提出 Adaptive Temporal Graph Network（ATGnet），利用 EEG 的时空表征追踪声源运动，面向包含多个移动说话者的动态鸡尾酒会场景。 核心机制包括自适应图拓扑和 graph-convolutional long short-term memory（GC-LSTM）：前者用于提取空间特征，后者用于捕捉时空依赖。其方法重点是将空间关系建模与时间动态建模结合，用于连续轨迹估计。图节点与边的定义、拓扑更新方式、输入时间窗、轨迹输出形式、损失函数及训练细节在摘要中未明确，尚待全文核对。 作者在 10 名参与者的 EEG 上进行了 Within-subject（被试内）留一试次交叉验证。作者报告，ATGnet 能稳健追踪被注意和未被注意的声源，并显著优于传统方法；但摘要未给出具体对照方法、指标数值或统计检验细节。作者还称模型能够克服试次间及被试间的信号变化，但所列评估协议是被试内验证，因此不能据此将结果解释为已验证的 Cross-subject（跨被试）泛化。 复现时需核对声源轨迹及注意状态的标注方式、EEG 预处理与通道设置、试次划分、轨迹误差指标，以及自适应图拓扑和 GC-LSTM 各自的贡献；这些实验协议、消融及统计信息尚未验证。摘要将神经控制助听设备列为潜在应用，尚不能据此确认在线追踪性能、系统延迟或真实设备中的有效性。