使用深度学习模型进行单词级听觉注意解码

基于摘要分析。该研究探讨能否利用与特定单词时间对齐的 EEG 片段，判断该单词是否受到注意，并提出基于 EEGNet 的深度学习方法。其主要贡献是将听觉注意解码（AAD）的研究对象从语音流包络与 EEG 的跟随关系，转向单词级、内源性认知响应的分类。 机制与任务：传统 AAD 多利用 envelope entrainment，即语音包络驱动 EEG 变化的关系来识别注意对象；本文则将与单词事件对齐的 EEG epoch 标记为 attended 或 unattended，尝试提取注意相关的时空 EEG 特征。摘要说明模型基于 EEGNet 改造，但具体结构、改造模块、损失函数、预处理及训练方式尚未验证。 数据与评估：作者在一个事件型 AAD 数据集上进行被试独立评估，即以未见被试检验跨被试表现，涵盖三种范式：单词类别 oddball、具有竞争说话者的单词类别任务，以及带目标的竞争语音流任务。作者报告，在其称为最贴近真实情境的竞争范式中，改造后的模型对未见被试达到至少 58% 的 Accuracy。该数值仅适用于摘要所述评估背景；数据集名称、被试数量、类别比例、具体划分、对照基线及统计不确定性尚未验证，不能据此判断相对现有方法的优势或实际应用可靠性。 阅读与复现重点：需要核对单词事件对齐和标签构建方式、EEGNet 的具体改造、跨被试划分，以及不同范式下的结果与对照。实验协议、消融及统计信息尚未验证。作者称据其所知这是首次研究该问题，此优先性主张尚未独立检索确认。