arXiv eess.SP（Signal Processing）·2026-10-16 12:00· 8 天前精选AI 评分58

KU Leuven Alexander Bertrand 团队提出无监督 HMM 框架追踪单一声源的听觉注意

A hidden Markov model for unsupervised EEG-based tracking of auditory attention to a single voice

AI 导读

比利时 KU Leuven 的 Tianyi Li、Alexander Bertrand 团队提出一种全无监督的绝对听觉注意解码流程，将神经包络追踪（NET）与隐马尔可夫模型（HMM）时序推断结合，仅用 EEG 信号和目标语音包络估计连续的注意轨迹，无需注意状态标签。

AI 要点

团队

第一作者 Tianyi Li，末位作者 Alexander Bertrand，共 6 位作者。

主要结果

1 秒窗下非因果 HMM 后处理使全部 30 名受试者 AUC 提升，平均 AUC 从原始 NET 的 0.547 升至 0.832；5 秒窗平均 AUC 最高，为 0.858。

解决什么问题

绝对听觉注意解码（aAAD）缺少竞争语音参考，难以可靠追踪听者对单一语音的注意强度。

方法

将神经包络追踪（NET）与隐马尔可夫模型（HMM）时序推断结合，用 30 名成人 EEG 与目标语音包络估计连续注意轨迹，无需注意状态标签。

局限

从研究设计看，为无监督可行性验证，未设对照；结果基于 30 名成人 EEG 记录。

AI 依据原文整理，未经人工核对。

AI 推荐理由

30 名受试者的 EEG 数据对比了 HMM 与滑动平均平滑，可看到无监督听觉注意追踪在不同时间窗下的表现差异。