ListenNet：用于听觉注意检测的轻量级时空增强嵌套网络

基于摘要分析。本文研究基于 EEG 的听觉注意检测（AAD），目标是在多说话者环境中识别被注意说话者的方向，提出轻量级时空增强嵌套网络 ListenNet，以联合建模 EEG 的时空依赖并增强多层级特征融合。 ListenNet 包含三个核心组件：Spatio-temporal Dependency Encoder（STDE）重建跨通道连续时间窗之间的依赖，旨在提升动态模式提取的稳健性；Multi-scale Temporal Enhancement（MSTE）提取多个时间尺度的特征，兼顾细粒度与长程时间模式；Cross-Nested Attention（CNA）通过动态注意机制整合层级特征，以捕获更深层的时空关联。摘要提供了这些模块的功能描述，但具体网络结构、注意计算方式、损失函数及训练和推理流程尚未验证。 作者报告，在三个公共数据集的被试依赖（subject-dependent）和被试独立（subject-independent）设置下，ListenNet 优于所比较的先进方法，并将可训练参数量约减少至对照的七分之一。摘要未给出数据集名称、被试规模、具体划分、指标数值或参数比较所对应的基线，因此尚不能量化其优势或比较不同协议的表现；被试独立设置的具体跨被试划分方式亦需核对全文。 复现重点是确认 STDE 的时间窗与通道依赖如何构造、MSTE 的尺度配置，以及 CNA 相对常规特征融合的独立贡献，同时核对对照方法、评价窗长、统计信息和参数量统计口径。参数减少并不直接等同于推理延迟或部署能耗降低，相关测量尚未验证。摘要提供了代码仓库地址，但代码可用性、环境依赖及其与论文实验的一致性尚未核验；实验协议、消融及统计信息尚未验证。