听觉注意解码中正向与反向模型的正则化方法比较

基于摘要分析。本研究考察非侵入式 EEG 听觉注意解码中，不同参数估计与正则化方法如何影响对被注意说话者的识别，核心贡献是在同一组标注数据上对正向与反向线性模型进行受控比较。 正向模型将声音流特征映射到 EEG 响应，反向模型则由 EEG 重建声音流特征。研究以被注意语音的包络与 EEG 响应建立映射，并利用模型估计区分被注意与未被注意的说话者。正则化作用于模型参数估计，但摘要未列出所比较方法的具体名称、惩罚形式或超参数选择方式，不能据此归结为某一种正则化算法的优势。 评估数据来自 18 名聆听两路混合语音的被试，包含多通道 EEG 及注意目标标注，研究使用不同指标评估回归或重建表现与说话者分类表现。作者报告：在由被注意音频预测 EEG 的正向模型中，正则化未改善回归表现或分类准确率；在由 EEG 解码被注意语音的反向模型中，正则化提高了回归表现与分类准确率。摘要没有提供具体数值、指标定义或统计不确定性，因此这些结论应限定于本文所用数据与评估条件，不能扩展为所有听觉注意解码任务中的普遍规律。 复现时需核对训练与测试划分属于被试内还是跨被试、EEG 预处理与时滞设置、正则化强度的选择流程、分类判据及解码窗口长度。具体数据集名称、实验协议、消融及统计信息尚未验证。