📄 在移动对话中解码听觉注意：MOV-AAD 数据集做了什么
标签：#言语神经解码 | #数据集构建 | #数据集 | #生理信号 | #听觉努力与认知负荷
评分：6.5/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Xiaomin He：机构信息未在 arXiv HTML 中可靠披露
- Vishal Choudhari：机构信息未在 arXiv HTML 中可靠披露
- Tristan J. Spratt：机构信息未在 arXiv HTML 中可靠披露
- Aarya Raghavan：机构信息未在 arXiv HTML 中可靠披露
- Richard T. Lee：机构信息未在 arXiv HTML 中可靠披露
- Nima Mesgarani：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
日常听音常面对说话人走动、轮流发言与背景噪声，而已有听觉注意解码（Auditory Attention Decoding， AAD）多在静态双说话人混合上评测，难以反映空间动态与聆听努力的协同变化。本文构建移动对话听觉注意数据集（Moving Conversations for Auditory Attention Decoding， MOV-AAD），输入为头相关传输函数（Head-Related Transfer Function， HRTF）空间化的单路与双路移动对话语音及行人或 babble 噪声，输出为同步记录的 64 导脑电、眼动、呼吸气流与呼吸努力、皮肤电反应、光电容积脉搏（Photoplethysmography， PPG）及其派生的心率与心率变异性、血氧（SpO2）、体温、加速度，以及定位报告与重复词按键行为。单对话任务要求侦听一路移动叙事，双对话任务要求在两路移动对话中跟随先开始的一路并忽略另一路，重复词检测用于度量注意投入。方法上采用希尔伯特包络与方位轨迹的反向线性重建验证神经跟随，再用重建相关构成注意分类特征，并用被试间相关（Intersubject Correlation， ISC）检验多模态信号的刺激锁定成分。与已有静态数据集相比，关键差异是声源在正负 90 度范围内连续移动、对话含说话人切换与轮流结构、并配有完整的自主神经记录。在 50 名被试的双对话任务中，注意流相对忽略流的重复词检测 F1 分数更高，双尾 Wilcoxon 符号秩检验 \(p<10^{-4}\)，秩效应量 \(r=0.87\)，单对话相对双对话注意流 F1 更高，\(p<10^{-4}\)，\(r=0.52\)，表明注意分离有效，而包络重建的注意流相关持续高于忽略流。结论适用于耳机呈现、均方根功率匹配的移动对话场景，在极端侧向方位与非个体化 HRTF 条件下定位变异可能增大。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
- 第三方资源：https://github.com/naplab/MOV-AAD — 链接可访问（HTTP 200）
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
为什么要在移动对话里研究听觉注意
日常听觉注意的输入是混在一起的多人语音加环境噪声，目标是从中选出要跟随的一路对话并持续理解，输出是对目标内容的神经跟随和行为反应，必须保留的信息是到底听的是哪一路、在什么空间位置。已有许多听觉注意解码研究证明，皮层活动会优先跟随被注意说话人的语音包络，也就是语音幅度缓慢起伏的轮廓，这成为用脑电解码注意的基础。
但这类验证大多用位置固定的双人朗读叠加，缺少头部转动和声源移动，也缺少瞳孔、心率、呼吸、皮肤电等反映投入和负荷的外周信号。本文要解决的具体问题是提供一套声源连续移动、带自然轮流发言的竞争对话场景，并同步记录脑电、眼动和多种生理信号，让后续方法能在更接近现实的空间动态下做基准测试。研究生需要先建立这个预期：这是 1 篇数据集论文，贡献是场景、规模和同步记录，而不是提出新的解码网络。
已有数据集把什么固定住了
论文用一张代表性非侵入数据集对照表定位自己。表中提到的库鲁汶和丹麦技术大学数据集都是 64 通道脑电、双人连续语音，但声源固定在正负 90 度或正负 60 度，没有同步外周生理；PhyAAt 虽然有光电容积脉搏波和皮肤电，但主要是单人加噪声、不是竞争性多人注意；南京和 SparrKULee 等数据集在通道数和被试量上各有特点，但空间设置仍是静态或无空间化。比较的公平条件是输入都是多人或噪声下语音、目标都是解码注意、记录都是非侵入脑电。
在这个相同任务下，MOV-AAD 的不同在于三点同时成立：对话声源在正负 90 度内连续移动且带轮流发言，被试量达到 50 人，还同步记录眼动、呼吸气流和胸带努力、皮肤电、血氧、皮温、加速度和光电容积脉搏波。理解这张表的限制很重要：它只说明已有公开资源缺少移动加多模态同步，不等于那些数据集上的算法结论互相可比，更不能把被试量多少直接读成解码准确率高低。
本文要提供的输入输出是什么
MOV-AAD 的输入是耳机经头相关传递函数空间化后的对话音频，包含单会话 40 个试次和多会话 56 个试次，每个对话试次约 40 秒，另有重复句和定位任务做可靠性与空间感知校验。输出是 1200 赫兹同步记录的 64 通道脑电、双眼瞳孔直径和注视坐标、鼻气流与胸带呼吸、心率、血氧、皮肤电、光电容积脉搏波、皮温、加速度，以及按键和定位报告。必须保留的信息包括刺激音频本身、声源方位随时间变化的轨迹、重复词出现时刻、被试按键时刻。
论文共提供 4800 个注意聆听试次，覆盖单人和竞争 2 人条件，背景噪声用行人街景或人声 babble，以低于每路对话 9 或 12 分贝的方式双耳相同呈现。研究生复述时要抓住：移动不是随机跳点，而是 1 阶马尔可夫链生成再平滑的连续轨迹；竞争不是同时开始，而是非注意流晚 3 秒出现，被注意流中途换一次说话人，非注意流换两次，且两路重复词事件不重叠。
从被试进实验室到数据入库的全流程
整个流程按 4 段推进，先做重复句任务检查脑电可靠性，再做定位任务熟悉空间线索并评估空间感知，然后做单移动说话人对话，最后做双移动对话竞争。50 名自报听力正常、无神经或注意障碍的被试在 2022 年 10 月到 2025 年 6 月间完成实验，年龄 18 到 38 岁，平均 24 岁。脑电和外周生理经放大器以 1200 赫兹采集并加 60 赫兹陷波，眼动用 Tobii Pro Nano 记录，所有流经 Simulink 同步，播放音频同时被录音并与原始波形互相关对齐。每个试次还保留起始前 3 秒基线，外周信号只做最小处理发布，脑电方差异常通道经球面插值替换。下图把传感器佩戴、示例波形和 4 段任务放在一起，是理解后续所有分析的前提。
读这张总览图时，先把左侧传感器与右侧流程的时间长度对应起来，再看波形与轨迹如何标记重复词和说话人切换。
看图路径： 1. 先看左侧传感器清单与右侧四段流程的时间标注；2. 再看单会话与多会话的波形加轨迹示意如何表示说话人切换；3. 注意多会话中两条轨迹起始相差 3 秒的标记
论文图 1。原论文 Figure 1:：“Overview of the MOV-AAD dataset and experimental paradigm.”。
左上卡通标出 64 通道脑电、瞳孔加注视、心率加血氧加光电容积脉搏波、皮肤电、体温、呼吸气流和努力、加速度的佩戴位置，左下是同一段时间的多通道示例曲线，横轴为秒。右侧四行分别对应重复句约 12 分钟、定位约 10 分钟、单会话约 30 分钟、多会话约 45 分钟，每行中间是声源方位示意，右边是波形与轨迹。单会话只画一条对话轨迹并标出说话人切换，多会话画出两条分别移动的轨迹并标出晚开始 3 秒的虚线。重复词在波形上用竖条标出，定位任务标出 9 个方向各 6 句的结构。这张图说明数据是多模态时间对齐的连续记录，而不是孤立试次的特征表格。
语音包络是如何从脑电重建的
语音包络在这里指语音经希尔伯特变换取解析信号幅度、再经 8 赫兹 4 阶巴特沃斯低通得到的慢幅度轮廓，是皮层跟随研究常用的目标。包络重建指用脑电反向模型估计这条轮廓，具体做法是把 1200 赫兹脑电重采样到 100 赫兹并做抗混叠，用 5 倍双曲正切压缩抑制极端值，再经 1 到 8 赫兹零相位有限冲激响应滤波保留跟随语音的低频成分。解码器用 mTRF 工具箱实现，时间滞后取 0 到 400 毫秒，岭参数在 10 的负 2 次方到 10 的 4 次方之间对数间隔取值，用留一试次交叉验证选择，并在留出试次上计算重建与真实包络的皮尔逊相关。单会话和竞争会话分开建模评估，避免把无干扰和有干扰的条件混在一起。
语音包络 × 包络重建： 语音包络指语音幅度随时间缓慢起伏的轮廓，是大脑低频活动会跟随的对象；包络重建指用脑电反向模型从多通道信号估计出这条轮廓。两者搭配的意义是把难以直接比较的神经活动转成和刺激同一量纲的波形，再用重建波形与目标和干扰语音的相关大小判断注意指向。
这部分的关键是监督来自刺激本身：输入是多通道滤波后脑电，输出是估计的包络波形，损失是重建与真实包络的相关，参数只在训练折上估计。论文没有训练深度网络，也没有更新语音特征提取器，包络提取是固定信号处理。研究生容易误以为相关高就等于单试次分类一定准，实际上重建相关只是中间指标，还需要后面比较注意与非注意两路相关的大小才能变成解码准确率。
空间轨迹和重复词行为分别怎么算
空间轨迹指每路对话声源方位角随时间变化的序列，生成时限制在正前方水平半平面，用 1 度分辨率的 1 阶马尔可夫链产生，再平滑并上采样到 10 赫兹做空间渲染，最后插值到 100 赫兹与神经采样对齐。轨迹重建沿用同样的反向回归框架，但脑电预处理按频段分开：三角洲带取 0.05 到 2 赫兹零相位巴特沃斯滤波，Alpha 带取 8 到 12 赫兹滤波后经希尔伯特变换取解析幅度，滞后取 0 到 250 毫秒，岭参数范围与包络相同。
行为方面，定位任务在负 90 到正 90 度之间取 9 个等间隔方位，每个被试的定位准确率是答对比例，机会水平为 9 分之 1；平均绝对误差是报告角与真实角差的绝对值在试次上平均，随机猜测的期望误差约为 66.7 度。重复词检测以注意流重复词 onset 后 2 秒内按键为命中，否则为误报，再分单会话、多会话注意流和非注意流计算命中率、精确率和 F1 分数，组间比较用双尾 Wilcoxon 符号秩检验并报告秩效应量 r。
空间轨迹 × Alpha 频段： 空间轨迹指对话声源在正前方负 90 度到正 90 度之间随时间变化的方位角序列；Alpha 频段指 8 到 12 赫兹的脑电振荡幅度。本文把轨迹作为另一路待重建目标，而 Alpha 幅度被用来携带空间注意信息，两者组合是想检验除语音内容跟随之外，空间移动本身是否也能从脑电读出。
单会话任务 × 多会话任务： 单会话任务指只有一个移动对话流、被试只需持续跟随并做重复词检测；多会话任务指同时呈现两个移动对话流、被试只注意先开始的那一路。前者提供无竞争基线，后者制造鸡尾酒会式的竞争，组合起来才能比较干扰存在时行为和神经跟随的变化。
重复词检测 × F1 分数： 重复词检测指对话流中偶尔出现重复词、要求被试在注意流出现后 2 秒内按键；F1 分数指由命中率和精确率综合得到的注意投入指标。前者是行为操作，后者是统计汇总，组合后可以同时看到漏报和误报到非注意流的影响，而不是只看按了多少次键。
公式先交代符号：N 为试次数，θ 为真实方位，带帽 θ 为报告方位，目标是把多试次误差平均成单个被试指标。
\[\mathrm{MAE}=\frac{1}{N}\sum_{i=1}^{N}\left|\hat{\theta}_{i}-\theta_{i}\right|,\]该式对每个试次取绝对偏差再平均，值越小表示定位越准。它只描述行为误差，不参与神经解码，研究生不要把它和重建相关混为一谈。
本研究训练了什么、固定了什么
本研究没有训练新的神经网络权重，需要说清这一点。实际拟合的是每个被试各自的线性反向解码器和线性判别分析分类器。反向解码器的岭系数在留一试次循环内选择：每次留出一个试次做测试，其余试次训练并选正则强度，测试只算一次相关。
多会话的注意解码对每个试次得到注意相关与非注意相关，组成 2 维特征向量，并把顺序交换后的向量作为另一类以构造平衡二分类，留一试次交叉验证下用线性判别分析分类，准确率为留出试次中顺序正确样本被分对的比例。显著性用 1000 次标签置换的零分布评估，每个被试单独比较并做多重比较校正。
被试间相关部分是求解最大化被试间协方差相对被试内协方差的空间滤波，用广义特征分解实现，被试内协方差做收缩正则，脑电保留 3 个成分，单通道模态保留 1 个成分，再把每人投影后时间序列与剩下人平均做相关。眼动无效样本先剔除再平均双眼，呼吸和光电容积脉搏波去漂或 0.05 赫兹高通，心率血氧再加 1 赫兹低通，皮肤电做中值滤波去脉冲伪迹。原文没有报告优化器、学习率或冻结层，因为根本没有深度训练。
也没有报告拿掉某预处理后必然下降多少，只能按已给对照理解。
刺激、噪声和记录条件如何固定
语音材料是美式英语母语者的自然对话流，连续且偶尔嵌入重复词，同一流内重复词 onset 平均间隔 7.0 秒。所有语音经头相关传递函数空间化后经耳机呈现，感知距离在试次间保持恒定，多会话两路做均方根功率匹配。背景噪声为双耳相同的行人噪声或 babble，强度比每路对话低 9 或 12 分贝。重复句任务用 3 男 3 女说的 6 个短句、每句重复 20 次、顺序打乱、无噪声双耳呈现；定位任务用 54 个短句、无噪声、在 9 个方位呈现，被试用鼠标点击图形界面报告方向。
单会话 40 试次内说话人身份会变化，被试做 1-back 重复词检测；多会话 56 试次中注意流先开始，非注意流晚 3 秒，被试只对注意流按键。记录侧脑电 64 通道加外周多模态同采 1200 赫兹，眼动记录瞳孔直径和水平垂直注视坐标。发布包含重复句约每人 12 分钟、单会话约 30 分钟、多会话约 45 分钟的连续信号加对齐音频，以及定位和对话任务的试次与被试水平行为指标。复现时必须保持耳机呈现、非个体化头相关传递函数、移动范围和噪声电平，否则空间线索和难度都会改变。
定位和重复词行为说明了什么
定位极坐标显示感知角大体落在正确半侧，但在两侧极端方位区分度下降，高准确组和低准确组都保留了整体角度结构。论文把这解释为人类空间听觉在极端方位本就因双耳时间差和强度差线索饱和而变差，非个体化头相关传递函数可能进一步放大，但空间线索仍足以支撑组水平的移动跟踪。被试水平准确率多数高于 9 分之 1 的机会水平，平均绝对误差明显低于随机猜测的约 66.7 度，但被试间差异不小。
重复词行为图显示单会话和多会话注意流聚在高精确率、高命中率区，非注意流明显偏低；F1 分数多会话注意流显著高于非注意流，双尾 Wilcoxon 检验 p 小于 10 的负 4 次方，效应量 r 为 0.87，单会话又显著高于多会话注意流，p 同样小于 10 的负 4 次方，r 为 0.52。结论成立的条件是 2 秒响应窗、重复词在两路不重叠、被试按先开始者为目标；换窗口或换任务都会改变数值。下表把任务规模和行为基线放在一起，方便一次核对输入量和机会水平。
下表整理 3 类任务的试次量、时长与关键设置，比较问题是数据量是否足以支撑分条件建模，指标方向是试次越多、时长越长越利于估计稳定模型。
| 任务 | 试次量 | 单试次时长 | 单人总时长 | 关键设置 |
|---|---|---|---|---|
| 定位任务 | 54 句 | 短句 | 行为报告 | 9 个方位 |
| 单会话对话 | 40 试次 | 40 s | 30 min | 单移动流 |
| 多会话对话 | 56 试次 | 40 s | 45 min | 双移动流，晚 3 秒 |
上表说明重复句和定位提供可靠性与空间感知基线，对话任务提供注意建模的主体数据量。限制是短句时长和总分钟数是平均值，个体实际略有浮动；定位只有行为报告，没有同步生理长记录，不能用来做神经跟踪。仅看试次多不能推出解码一定好，还要看下一节的重建分离度。
包络与轨迹重建随窗口如何分离
滑动窗分析在每个试次内以 0.5 秒步长取不同窗长，窗内分别算注意相关与非注意相关，再在窗、试次、被试上平均并给出 95% 置信区间。左图显示包络的注意相关在所有窗长下明显高于非注意相关，注意相关随窗增大基本稳定，非注意相关贴近机会水平；Alpha 轨迹的注意相关高于三角洲轨迹，并随窗增大与非注意的分离略有增大，三角洲轨迹基本贴着机会水平。
右图把每窗是否出现注意大于非注意转成准确率，被试内先在试次上平均再在组上平均：包络即使短窗也明显高于 0.5 并随窗增大继续上升，Alpha 轨迹始终高于三角洲并有缓慢提升，三角洲几乎不随窗改善。被试水平图进一步显示包络的差值相关基本为正且多数被试经 Fisher 变换后单尾检验显著，而轨迹只在少数被试显著。读图时先确认纵轴是相关或准确率、横轴是窗口秒数，再看颜色区分包络与两路轨迹。
读这张窗长曲线时，先对比 3 类特征在左图的分离带宽，再看右图准确率相对 0.5 虚线的位置。
看图路径： 1. 先对比左图包络与两路轨迹的注意与非注意相关曲线；2. 再看右图三类特征的解码准确率随窗口增大如何变化；3. 注意虚线 0.5 机会水平的相对位置
论文图 5。原论文 Figure 5:：“Stimulus reconstruction correlation and AAD accuracy across window sizes.”。
图中红色包络曲线在左右两格都最高，蓝色 Alpha 轨迹居中，黄色三角洲轨迹最低；左图实线为注意、虚线为非注意，右图纵轴为准确率。可见包络的注意优势在短窗已成立，轨迹需要更长窗才有微弱分离，且三角洲始终无效。这些曲线支持的判断是包络是主信号、Alpha 轨迹是弱补充，限制是窗越长延迟越大，短窗实用的提升不能从全试次外推。
下表把行为分离的统计量与机会基线放在一起，比较问题是在相同被试配对下注意是否真正分开，指标方向是 F1 越高、误差越小越好。
| 比较 | 指标 | 方向 | p 值 | 效应量 r |
|---|---|---|---|---|
| 定位准确率 | 答对比例 | 高于 1/9 | 机会 1/9 | 未报告 |
| 定位误差 | 平均绝对误差 | 低于 66.7 度 | 机会 66.7 度 | 未报告 |
| 注意对比非注意 | F1 分数 | 注意更高 | p<10-4 | 0.87 |
| 单会话对比多会话注意 | F1 分数 | 单会话更高 | p<10-4 | 0.52 |
上表显示注意与非注意的行为分离效应很大，而单会话与多会话注意的差异中等，支持被试确实按指令分配注意。限制是 p 值只说明配对差异显著，不说明单试次可分；效应量 r 是秩检验的统计量，不能读成准确率差了多少个百分点。
哪些模态在被试间保持了一致
被试间相关把同一试次下不同人的时间序列投影到共享成分再算相似，机会水平用保持自相关的相位随机替代数据估计 100 次，被试水平用置换 p 值，组水平用配对右尾检验并按正态性在 t 检验与 Wilcoxon 之间选择，再用二项检验看显著被试数是否超过假阳性率。结果是脑电、水平与垂直注视位置、瞳孔扩张和光电容积脉搏波在组水平和相当比例被试上高于机会，表明有可重复的刺激锁定结构；心率和血氧组水平显著但被试覆盖有限，提示个体异质大。
体温在试次尺度几乎没有共享结构，部分慢变量需拼成 28 试次的大块才稳定。读图时先看每格左侧实测箱体是否整体高于右侧机会箱体，再看蓝色显著连线占比，不要只看中位数差。
读这张多模态一致性图时，先沿脑电到眼动再到外周的顺序看显著星号，再对比慢变量的显著被试比例。
看图路径： 1. 先看每格中被试实测与机会水平的配对连线颜色；2. 再比较脑电眼动与体温血氧的组水平显著性；3. 注意慢生理量在单被试层面的显著比例差异
论文图 8。原论文 Figure 8:：“Intersubject correlation across modalities.”。
图中脑电、注视、瞳孔和光电容积脉搏波的蓝色显著连线密集，组检验多为三颗星；呼吸努力、气流和皮肤电组显著但灰色不显著连线增多；心率血氧显著性弱化，体温标为不显著。这说明多模态里可直接做跨被试建模的主要是脑电、眼动和脉搏波，慢生理更适合做长时基线或状态协变量，而不是逐秒同步特征。
包络加轨迹组合能否超过单用包络
全试次线性判别分析把每个试次的注意与非注意重建相关作为特征，留一试次交叉验证算被分对的试次比例，零分布来自 1000 次标签置换，被试水平用单样本右尾 t 检验对比各自零均值并做错误发现率校正。结果是包络单特征准确率最高且显著高于机会，Alpha 轨迹显著但明显更低，三角洲轨迹停留在机会水平不显著。把包络与轨迹拼成组合特征后，相对只用轨迹有显著提升，但相对只用包络没有显著超过，这与前人包络主导的结论一致。
理解代价很关键：组合要多算一路轨迹重建和更长的滤波与滞后搜索，推理步骤变多，但全试次准确率没有带来可确认的增益；在短窗实时场景下，轨迹的微弱增益更可能被延迟和估计方差吃掉。未胜出的项要明确写出：三角洲轨迹单特征和任何含三角洲为主的组合都没有显示可用性，论文也没有评测跨被试直接套用解码器的表现。
读这张组合箱线图时，先看每个箱体的中位数与四分位，再看星号与不显著标记相对置换零虚线的位置。
看图路径： 1. 先看包络单特征箱体的中位数与四分位范围；2. 再比较轨迹单特征与组合特征是否超出置换零分布；3. 注意标注不显著与显著星号的差异
论文图 7。原论文 Figure 7:：“Full-trial LDA decoding across feature types.”。
图中从左到右依次为三角洲轨迹、Alpha 轨迹、包络、包络加三角洲、包络加 Alpha、全部特征，纵轴为留一试次准确率，虚线为各条件置换机会水平。可见只有三角洲单特征标为不显著，其余带星号，但组合箱体并未系统性高于包络单箱体。这支持包络主导、Alpha 弱补充的判断，限制是全试次结论不能推广到短窗在线解码。
被试间相关 × 光电容积脉搏波： 被试间相关指不同被试在同一刺激下时间序列的相似程度，用来检验信号里是否有可重复的刺激锁定成分；光电容积脉搏波指用光学传感器记录的脉搏波形，可进一步导出心率变异性。两者搭配是把跨被试一致性检验从脑电推广到外周生理，看哪些慢生理信号也保留了与刺激同步的结构。
把包络与轨迹的关系类比为内容与位置两条线索：内容跟随强而稳定，位置跟随弱而依赖频段和窗长，硬拼在一起不会自动产生新信息。
这些结论在什么边界内才成立
首先是空间渲染的边界：耳机加非个体化头相关传递函数保留了可用的双耳线索，但极端方位本身区分度下降，定位误差的个体差异不小，移动跟踪的结论是组水平成立，不能保证每个被试在正负 90 度附近都有精细分辨。其次是行为监控的边界：重复词平均 7 秒出现一次、2 秒响应窗和 F1 统计只证明持续投入和注意分流，不能等同于理解了对话内容，也没有测量误报率随语义难度的变化。
第三是解码的边界：包络优势在全试次和滑动窗都成立，但三角洲轨迹无效、Alpha 轨迹只是弱补充，组合没有显著超过包络；所有解码都是被试内留一试次，没有跨被试和跨会话的泛化评估，也没有报告延迟、算力和实时帧率。第四是生理的边界：心率、血氧、皮温等慢变量在试次尺度一致性有限，少数离群可能来自自然变异或记录伪迹，不能把相关读成因果，也不能承诺加入这些信号一定提升解码。
缺少的不是技术缺陷，而是尚未评测的范围：跨被试解码、短窗低延迟部署和聆听负荷的因果建模都需要补验证。
要复现验证第一步做什么
复现第一步是按论文仓库拿到数据与刺激对齐脚本，先跑通音频互相关对齐和 1200 赫兹到 100 赫兹的重采样与 1 到 8 赫兹滤波，再用固定包络提取复现单被试留一试次的注意与非注意相关。关键超参数要原样保留：包络低通 8 赫兹、脑电带通 1 到 8 赫兹、滞后 0 到 400 毫秒、岭参数对数间隔从 0.01 到 10000；轨迹部分三角洲 0.05 到 2 赫兹、Alpha8 到 12 赫兹取幅度、滞后 0 到 250 毫秒。信息条件也要保留：多会话以先开始者为注意目标、非注意晚 3 秒、重复词不重叠、噪声低于对话 9 或 12 分贝。
作者资源方面，论文正文给出 GitHub 链接且本次检查该第三方链接可达，但这只证明论文提到了该地址，不证明作者已开源全部代码与权重，复现前要自行确认仓库里实际有哪些数据、脚本和说明。训练资源与推理开销原文没有量化，复现时应自己记录重采样、滤波和交叉验证的耗时与内存，避免把全试次离线结果当成实时性能。
什么时候值得尝试还缺哪项验证
当你的任务也是移动声源下的持续注意、有同步脑电和眼动或脉搏波可用，并且能接受秒级窗口延迟时，值得先试包络反向模型加注意与非注意相关比较这条基线；只有在全试次离线分析且需要空间信息时，才值得加上 Alpha 轨迹做补充。不要在只有单通道、低采样或静态声源的场景直接套用移动轨迹的结论，也不要把组平均的准确率曲线读成每个被试都有同样提升。
还需要补的验证是跨被试与跨天泛化、短窗下的误判率与延迟实测，以及把瞳孔、注视和脉搏波真正拼进解码器并与只用脑电做同条件比较。容易产生的误解是把数据集大等同于方法强：本文的强证据是行为分离效应大、包络重建稳定、部分模态跨被试一致，弱证据是轨迹解码和慢生理的单试次价值，这些弱项恰好是后续工作需要用公平对照去检验的地方。
📎 论文与评分元数据
排名：前50% | 文档类型：数据集与基准 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses