DARNet：具有时空构建的双重注意力细化网络用于听觉注意力检测
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了当前听觉注意力检测（AAD）算法在分析脑电图（EEG）信号时忽视空间分布和长程潜在依赖性的关键问题。提出的新方法DARNet通过时空构建模块和双重注意力细化模块，显著提高了模型对脑活动的解码能力，实验结果表明其分类准确率相比现有模型平均提高了5.9%。
论文提出了一种新的浅-深注意力网络（SDANet）用于EEG信号分类。通过注意力相关模块（ACM）发现听觉语音与EEG信号的关系，并使用浅-深相似性分类模块（SDSCM）进行分类。多种训练策略和数据增强提高了模型的鲁棒性。实验结果表明，在Auditory EEG challenge数据集上，SDANet优于基线模型。
