基于可视图与机器学习的听觉空间注意 EEG 解码

基于摘要分析。该研究针对语音聆听中的听觉空间注意解码，将多通道 EEG 转换为基于 visibility graph（可视图）拓扑相似性特征的网络表征，并结合机器学习区分左耳与右耳方向的空间注意。其贡献在于提出一种利用图拓扑相似性组织多通道 EEG 信息的表征方法，面向听觉注意检测及认知控制助听器的潜在应用。 技术机制方面，摘要明确说明使用 visibility graph 处理 EEG 时间序列，并从图网络拓扑的相似性提取多通道表征；但具体可视性判据、拓扑特征、相似性计算方式、通道信息组织形式及机器学习分类器尚未验证。因此，目前不能判断性能增益主要来自图构建、跨通道信息表达还是分类阶段。 结果方面，作者报告在 KUL Dataset 上，针对 0.5–5 秒的解码时窗，平均注意解码 Accuracy 为 87.4%–95.7%。摘要未提供各时窗与 Accuracy 的逐一对应关系，也未明确被试内或跨被试协议、训练测试划分及平均方式，因而不能将该范围直接用于不同协议下的性能比较。作者报告比较实验显示性能提升，但基线名称、提升幅度及统计显著性尚未验证。 复现时应核对 EEG 预处理、图构建与特征提取流程、时窗采样方式、训练测试划分、分类器设置及比较基线；实验协议、消融及统计信息尚未验证。摘要尚不足以确认该方法的跨被试或跨会话泛化能力，也不能据此推断真实助听器场景中的在线稳定性与端到端延迟。