M3ANet：用于脑辅助目标说话人提取的多尺度与多模态对齐网络

基于摘要分析。该研究面向脑辅助目标说话人提取（TSE），利用 EEG 等脑神经活动，从混合语音中提取听者正在关注的语音。作者提出 M3ANet，分别针对 EEG 与语音的时间错位，以及语音编码器对目标说话人信息提取不足的问题，引入跨模态对齐和多尺度语音编码。 机制上，模态对齐模块采用对比学习策略，对齐 EEG 与语音的时间特征；语音编码器结合多尺度卷积与 GroupMamba，在不同尺度上从不同方向扫描语音特征，以捕获更深层的序列信息。摘要将现有方法中的基本时间操作（如一维卷积）作为改进动机，但具体对比学习目标、正负样本构造、时间对齐粒度及 GroupMamba 配置尚未验证。 作者报告，在三个公开数据集上，M3ANet 的多项评估指标优于当前最先进方法。摘要未提供数据集名称、被试规模、数据划分、被试内或跨被试协议、指标名称与具体数值，因此尚不能据此判断增益幅度及跨被试泛化能力，也不能将目标语音提取效果等同于独立的听觉注意解码性能。 作者提供了源码链接，为后续复现提供入口，但代码完整性、运行条件与结果可复现性尚未验证。阅读全文时需核对时间错位的建模和评估方式、两类模块各自的消融贡献，以及比较方法是否采用一致的数据与训练协议；实验协议、消融及统计信息尚未验证。