发表机构
Johns Hopkins University; University of Texas at Dallas（约翰斯·霍普金斯大学; 德克萨斯大学达拉斯分校）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
针对现有深度学习架构缺乏处理噪声EEG数据机制的问题，提出AFA-Net，用差分注意力机制聚焦任务相关神经活动，在2秒决策窗口达96.8%准确率且参数更少。
AI 中文摘要
听觉注意力检测（AAD）利用脑电图（EEG）信号在多说话人环境中识别目标说话人。尽管已取得相当大的进展，但现有的深度学习架构往往缺乏处理噪声EEG数据的显式机制。为解决这一局限，我们提出了听觉焦点注意力网络（AFA-Net），这是一种机器学习框架，用简单而灵活的差分注意力机制取代了普通注意力，以帮助聚焦于与任务相关的神经活动。AFA-Net在2秒决策窗口下实现了高达96.8%的准确率，同时使用的参数数量远少于大多数现有方法。据我们所知，AFA-Net是首批显式尝试对抗EEG噪声以改进AAD的框架之一。
英文摘要
Auditory Attention Detection (AAD) utilizes electroencephalographic (EEG) signals to identify a target speaker in a multi-speaker environment. Despite considerable progress, existing deep learning architectures often lack explicit mechanisms for handling noisy EEG data. To address this limitation, we propose Auditory Focus Attention Networks (AFA-Net), a machine learning framework that replaces vanilla attention with a simple yet flexible differential attention mechanism to help focus on task-relevant neural activity. AFA-Net achieves an upward accuracy of 96.8% at the 2s decision window, while using substantially fewer parameters than most existing methods. To the best of our knowledge, AFA-Net is among the first frameworks to explicitly try to combat EEG noise to improve AAD.
CommentsSubmitted to ICASSP 2027
