隐马尔可夫模型无监督追踪单声源听觉注意

基于摘要分析。研究针对绝对听觉注意解码（aAAD）：在没有竞争语音参照的单声源场景中，利用 EEG 估计听者对目标语音的注意程度。作者提出结合神经包络追踪（NET）与隐马尔可夫模型（HMM）时序推断的全无监督流程，以 EEG 和目标语音包络为输入，无需显式注意状态标签即可估计连续注意轨迹。 方法的核心是将 NET 与概率时序推断结合，而非仅对原始观测进行移动平均（MA）平滑。研究使用 30 名成人的 EEG，考察分析窗长度，并比较 HMM 后处理、MA 平滑，以及不同 EEG 观测特征。摘要未交代 NET 的具体计算、HMM 状态定义、参数估计及连续轨迹的构造方式，这些实现条件尚未验证。 作者报告，在 1 秒分析窗下，非因果 HMM 后处理使全部 30 名参与者的 AUC 均获得提升，平均 AUC 从原始 NET 的 0.547 增至 0.832；所考察窗长中，5 秒窗获得最高平均 AUC，为 0.858。作者报告，相比非因果 MA 平滑，HMM 在考察的平滑尺度上均获得更高 AUC；个体切换检测时间相近，而 HMM 的群体层面检测时间总体更低。在该无监督 HMM 框架内，作者还报告 NET 优于 alpha 功率和谱熵观测特征。 这些结果支持进一步考察时序建模对单声源注意追踪的作用，但明确量化的主要增益来自非因果处理，不能直接外推为在线、低延迟 BCI 表现。摘要未说明注意状态的评估参照、数据划分、被试内或跨被试协议，以及切换检测时间的具体定义；实验协议、消融及统计信息尚未验证。复现时需核对训练与评估流程、非因果处理范围，以及窗长、平滑尺度和检测延迟之间的关系。