使用 DSCANet 的基于 EEG 的听觉注意识别：一种创新的增量学习框架

基于摘要分析。该研究针对 EEG 听觉注意识别模型引入新注意模式时需要整体重训练、且可能发生灾难性遗忘的问题，提出 Dynamic Self-Organizing Convolutional Attention Network（DSCANet），将深度特征提取与增量学习结合，以支持对非平稳 EEG 模式的持续适应。 机制上，深度学习模块提取 EEG 关键特征；增量学习模块结合 Dynamic Wasserstein Self-Organizing Incremental Neural Network（DWSOINN）与 Elastic Weight Consolidation（EWC）。按照摘要描述，DWSOINN 自动检测输入中的新模式并触发增量更新，EWC 则约束参数更新，以保留此前学习的信息。摘要称架构具有理论支持，但具体理论条件、网络结构、新模式判定准则及参数约束实现尚未验证。 作者报告，在 KUL 和 DTU 数据集上，以留一被试交叉验证（LOSO-CV）进行主要的跨被试评估：在 1 秒决策窗下，DSCANet 的 Accuracy 分别为 81.51% 和 63.03%，较各自最强基线分别提高 3.41 和 6.23 个百分点。作者还报告增量学习过程具有更强的稳定性和抗遗忘能力，并采用额外验证策略评估分布适应与快速个性化；摘要未提供这些策略的具体协议及相应量化结果，不能将其与 LOSO-CV 结果混为一谈。 复现时需核对增量数据到达顺序、更新阶段的标签可用性、LOSO-CV 中训练与适应数据的边界、基线配置，以及遗忘指标和计算开销。DWSOINN 与 EWC 各自的贡献、实验协议、消融及统计信息尚未验证，代码与运行条件也需查阅全文确认。