.png){kind=icon}
返回
Deep learning in auditory attention decoding: A systematic review
.png){kind=icon}
OA
AI
DOI：10.1080/21642583.2026.2640250.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
听觉注意力解码（AAD）利用脑电图（EEG）检测个体在嘈杂、多人说话环境中的注意力焦点，为下一代神经引导式助听器奠定了基础。尽管深度学习在解码精度上近期已超越传统线性模型，但将预处理流程与先进模型架构相连接的全面概述仍存在缺失。本系统综述通过分析依据PRISMA指南筛选的82项研究，解决了这一不足。我们全面剖析了AAD框架，从数据处理到卷积神经网络（CNNs）、图神经网络（GNNs）和Transformer等架构的演进。除回顾趋势外，我们还总结出实用设计指导，建议将预处理复杂度与模型容量相匹配，并采用混合架构以捕捉时空动态。尤为关键的是，本研究突出了阻碍实际应用迁移的持续性挑战，包括对与可穿戴设备不兼容的高密度EEG记录的依赖、边缘设备的计算延迟以及缺乏真实的声学场景。通过识别这些瓶颈并整合有效的设计选择，本综述为开发适用于实际脑机接口应用的鲁棒、低延迟且与主体无关的听觉注意力检测系统提供了结构化参考。
Keyword:
Auditory attention decoding
deep learning
electroencephalography
期刊
S
IF:
0
论文数:
1
被引数:
0
机构
引用论文
A DenseNet-Based Method for Decoding Auditory Spatial Attention with EEG基于DenseNet的EEG解码听觉空间注意力的方法.png)
ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)OAAI
ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
OAAI分享收藏分享收藏Convolutional neural networks can identify brain interactions involved in decoding spatial auditory attention卷积神经网络可以识别解码空间听觉注意所涉及的脑部交互OAAI
OAAI分享收藏Enhancing the Immersive Experience of the Yijing in Claborate-Style Painting Through Virtual Reality
PREAI
分享收藏
查看更多内容