该论文提出了一种新的SDANet模型，用于对不同刺激下的EEG信号进行分类。该模型使用ACM全局发现听觉语音和EEG信号之间的关系，并使用SDSCM基于浅层和深层学习得到的嵌入来决定分类结果。同时，使用多种训练策略和数据增强来提高模型鲁棒性。实验结果表明，该模型在匹配-不匹配轨迹方面比基线模型有显著提升。