用于从 EEG 解码听觉注意方向焦点的可学习空间映射

基于摘要分析。本文研究如何从听者的 EEG 信号识别其所关注说话者的方向，提出可学习空间映射（LSM），将 EEG 通道转换为二维表示，并结合空间注意力提取电极间的内在关联。贡献重点是改进 EEG 空间信息的利用，而非仅直接应用卷积神经网络或注意力机制。 机制与对照：作者认为，已有 DNN 方案未充分利用 EEG 电极的空间信息，LSM 旨在通过可学习的通道映射提供适合空间特征提取的表示。摘要未说明映射的参数化方式、二维排列是否受电极位置约束、空间注意力的具体实现，以及损失函数、训练和推理流程，因此不能据此判断其是否保持真实电极拓扑，或增益主要来自映射还是注意力模块。 数据与结果：作者报告在公开 KUL 数据集上验证了所提方法的收益，并在新采集的 NJU 数据集上进行了测试；作者将 NJU 描述为具有更多竞争说话者方向选项、因而更具挑战性的数据集。摘要未提供具体 Accuracy、决策窗口长度、被试人数、数据划分或对照基线。文中关于 DNN 在短决策窗口下优于规则方法的陈述属于研究背景，不能当作 LSM 的量化实验结果；在两个数据集上测试也不等同于 Cross-dataset 迁移验证。 复现核对重点：需确认通道映射的构造与学习约束、不同电极布局的处理方式，以及 LSM 和空间注意力各自的贡献；还需核对被试内或跨被试协议、窗口划分与基线设置。实验协议、消融及统计信息尚未验证，代码和 NJU 数据的开放条件亦尚未验证。