用于基于 EEG 的听觉注意解码中多模态到单模态迁移的双曲表示学习

基于摘要分析。该研究针对 EEG 听觉注意解码（AAD）在跨被试、跨数据集及不同采集系统下的泛化困难，以及辅助生理信号在推理时不一定可用的问题，提出码本引导的预训练框架。其核心贡献是利用配对 EEG 与辅助信号学习多模态表示，再将共享信息转移到仅依赖 EEG 的下游注意预测流程。 预训练时，两个独立编码器将两种模态映射到双曲空间；双曲残差码本以公共码表示共享生理结构，以残差码表示模态特有信息。共享中心对齐目标进一步使两种模态的公共表示一致。随后，框架遮蔽部分 EEG 表示，训练 EEG 编码器预测由配对多模态数据学习的码本目标，使 EEG 获得共享的表示词汇。下游 AAD 使用预训练 EEG 编码器提取特征，再交由分类器预测注意状态，不要求推理阶段提供辅助信号。 作者报告，在 AVGCAAD 和 EARAAD 数据集上的跨被试与跨数据集实验中，该模型优于多种被作者称为 SOTA 的基线；作者还报告，消融结果支持各关键模块对性能收益的贡献。摘要未提供具体指标、数值、基线名称或数据划分，因此尚不能量化收益，也不能将跨数据集结果直接等同于独立验证了跨采集系统泛化。 复现与证据核对的重点包括：辅助生理信号的种类及配对方式、双曲空间与码本的具体实现、共享中心对齐和码本预测目标的定义、掩码策略，以及预训练数据与下游评估数据的划分关系。还需核对双曲几何相对其他表示空间、公共码与残差码、对齐目标及掩码预测各自的消融结果。实验协议、消融及统计信息尚未验证；模型规模、训练成本与代码可用性也未能从摘要确认。