用于基于 EEG 的听觉注意解码的深层自监督表征研究

基于摘要分析。该研究考察深层自监督（Self-Supervised，SS）表征能否改善基于 EEG 的听觉注意解码（Auditory Attention Decoding，AAD），核心贡献是在统一使用线性解码器的框架下，对多种深层与浅层表征开展比较，并分析表征层及分析窗口大小的影响。 研究背景是从脑活动中识别复杂声学环境中的目标声源。已有 AAD 研究使用听觉包络、声谱图等浅层表征，而本文进一步探索深层自监督表征。作者比较了12种深层表征与2种浅层表征，使用来自多项研究、覆盖57名被试及多种语言的 EEG 数据。摘要未明确各表征的模型名称、自监督训练目标、训练数据，以及线性解码器的具体输入输出关系，相关实现细节尚未验证。 作者报告，在所考察的数据集及分析窗口条件下，深层特征在背景说话者解码方面持续优于浅层特征。该结论应限定于摘要所述的背景说话者解码，不能直接扩展为所有 AAD 任务或目标说话者识别均有改善。作者据此提出，未被注意的声音信号可能在脑中存在非线性编码，而深层非线性特征有助于揭示这种信息；这属于对结果的机制解释，并非摘要已确证的神经编码机制。 复现时需核对具体数据集与语言构成、被试内或跨被试划分、分析窗口定义、表征层选择方式、特征维度处理及线性解码器设置。摘要未提供具体性能指标、效应大小或统计检验结果，实验协议、消融及统计信息尚未验证；因此目前可确认的是作者报告的比较方向，尚不能量化收益或判断其跨被试、跨会话泛化能力。