MSFNet：用于脑控说话人提取的多尺度融合网络

基于摘要分析。本文研究多说话人环境下如何利用听者 EEG 引导目标说话人语音提取，提出多尺度融合网络 MSFNet，以利用 EEG 与语音中共同包含的目标说话人信息。研究还构建了 EEG-Audio 数据集 AVED，用于支持听觉注意解码相关研究及方法验证。 方法上，MSFNet 对混合语音进行多个时间尺度的编码，获得多尺度嵌入；EEG 编码器采用图卷积网络，以处理 EEG 的非欧几里得数据结构；随后将各尺度语音嵌入分别与 EEG 特征融合。其核心思路不是仅依据 EEG 判断注意对象，而是将 EEG 作为目标语音提取的辅助信息。摘要尚未说明 EEG 图的构建方式、各时间尺度的定义、具体融合算子、训练损失及语音重建过程。 作者报告，在公开的 Cocktail Party 数据集及新构建的 AVED 数据集上，MSFNet 在部分客观评价指标中显著优于所比较的最先进方法。摘要未给出指标名称、数值、对照方法、被试数量及被试内或跨被试等划分协议，因此不能据此判断优势幅度、跨被试泛化能力或实时应用表现，“显著”的统计依据也尚未验证。 复现时需核对 EEG 与语音的时间对齐、预处理、图结构定义、多尺度编码与融合配置，以及数据划分和对照实现。AVED 的采集任务、数据规模、开放条件，以及实验协议、消融及统计信息尚未验证。