利用神经科学启发的原型训练增强空间听觉注意解码

基于摘要分析。本研究针对多说话者场景下的空间听觉注意解码（Sp-AAD），旨在通过 EEG 判断听觉注意的方向，并降低试次特异性特征对解码性能的影响。作者提出神经科学启发的 Prototype Training，并提出使用 EEG 小波变换的 EEGWaveNet 来实现该训练方法。 核心机制来自一项神经科学依据：空间听觉注意可反映在不同频带 EEG 能量的拓扑分布中。Prototype Training 据此构建原型，强化能量分布表征并减少试次特异性，使模型更好地捕捉听觉注意特征。摘要未说明原型的具体构造、更新方式、监督来源或损失形式，也未提供 EEGWaveNet 的网络结构及小波配置，因此尚不能判断其如何区分注意相关信息与试次干扰。 作者报告，在多个数据集的实验中，结合 Prototype Training 的 EEGWaveNet 优于其他有竞争力的模型，并验证了所提方法的有效性；但摘要未提供数据集名称、被试数量、数据划分、对照模型、指标及具体数值。实验属于被试内、跨被试还是跨会话评估，以及消融与统计信息，均尚未验证。作者将 Prototype Training 定位为独立于模型架构的训练方法，其跨架构适用范围仍需核对正文实验。 复现时应重点核对原型构造所使用的数据范围、训练与测试划分、频带和通道拓扑的处理方式，以及原型训练相对同一骨干模型常规训练的增益。这些信息将决定性能提升能否归因于训练方法，也有助于判断削弱试次特异性是否同时保留了任务相关信息；当前摘要不足以确认复现所需的实现细节与资源。