EEG-Based Auditory Attention Recognition Using DSCANet: An Innovative Incremental Learning Framework

Ke Zhang

doi:10.1109/jbhi.2026.3733073

EEG-Based Auditory Attention Recognition Using DSCANet: An Innovative Incremental Learning Framework

2026-09-10

0

PRE

AI

DOI：10.1109/jbhi.2026.3733073

原文链接

原文求助

摘要

En 中文

基于脑电图（EEG）的听觉注意力识别对于理解大脑如何在复杂声学环境中选择性地处理听觉刺激至关重要。然而，传统模型通常需要在新听觉注意力模式被纳入时重新训练整个网络。这种再训练策略不仅效率低下，而且容易导致灾难性遗忘，因为模型在适应新信息时可能会覆盖先前学习的模式。为解决上述挑战，提出了一种理论支持的架构——动态自组织卷积注意力网络（DSCANet）。该模型整合了深度学习与增量学习机制。深度学习模块负责有效提取关键EEG特征，而增量学习模块结合了动态Wasserstein自组织增量神经网络（DWSOINN）与弹性权重固化（EWC），以实现对新数据的持续适应而不会遗忘先前获取的知识。具体而言，DWSOINN自主检测输入中的新模式，并在适当时机触发增量更新，而EWC则约束参数更新以保留早期学习阶段的信息。在KUL和DTU数据集上的实验表明，DSCANet提高了分类准确性和增量学习稳定性。主要的主观无关评估采用留一被试交叉验证（LOSO-CV）进行，并使用其他验证策略评估分布适应性及快速个性化能力。具体而言，在LOSO-CV的1秒决策窗口下，DSCANet在KUL数据集上达到81.51%的准确率，在DTU数据集上达到63.03%，分别超出最强基线3.41和6.23个百分点。同时，该模型在增量学习过程中表现出更强的稳定性和抗遗忘能力，这支持了其处理非平稳EEG模式的适应性和鲁棒性。

Keyword:

Auditory attention

electroencephalography (EEG)

Dynamic Wasserstein SOINN (DWSOINN)

Dynamic Self-Organizing Convolutional Attention Network (DSCANet)

EEG-Based Auditory Attention Recognition Using DSCANet: An Innovative Incremental Learning Framework

摘要

期刊

机构

引用论文