通过图卷积网络实现 EEG 记录的稳健听觉注意解码

基于摘要分析。该研究针对 EEG 听觉注意解码（Auditory Attention Decoding，AAD）的稳健性及评估设置问题，使用图卷积网络（GCN）学习多通道 EEG 的复杂空间模式，并比较模型在跨被试、跨试次及同被试同试次设置下的表现。其贡献同时涉及空间建模方法与更贴近使用场景的泛化评估。 技术机制上，GCN 用于学习多通道 EEG 的空间模式，但摘要未说明图节点与边的定义、邻接关系如何构建或学习，以及时间信息的处理方式；网络结构、损失函数和训练流程尚未验证。对照方法为此前的常规卷积神经网络（CNN）方案，具体基线及其训练条件尚未验证。 作者指出，AAD 系统常在同被试同试次设置下报告结果，这类设置可能因训练与测试数据未充分分离而产生数据泄漏及过拟合风险。这是作者提出的评估动机，不能据此判定本研究或某个具体基线存在泄漏。需核对原文中的试次划分、窗口采样及训练测试隔离方式；跨试次也不能直接等同于跨会话。 作者报告，在两个公开 AAD 数据集上，GCN 相较此前的常规 CNN 方案具有更好的泛化能力和稳健性。摘要未提供数据集名称、被试数量、解码窗口、指标、数值或各设置的独立结果，因此无法判断收益大小及适用范围，也不宜将不同划分设置的结果直接比较。实验协议、消融及统计信息尚未验证。 复现时应优先核对各评估设置的具体定义、图构建方式、CNN 对照的输入与训练条件，以及预处理和数据划分的先后顺序，再评估图空间建模的收益能否在严格跨被试或跨试次条件下保持。代码与完整复现条件尚未验证。