《Scientific Data》：An Open Non-Invasive EEG Dataset for Spontaneous Auditory Attention Switch Decoding
编辑推荐：
针对公开的、关注自然听环境下听觉注意力自发切换的高质量非侵入性脑电（EEG）数据集匮乏的问题，研究人员开展了主题为“基于非侵入EEG的自发性听觉注意切换解码数据集”的研究，构建了听觉注意切换数据集（AASD），并引入了基线解码模型验证了数据完整性与应用潜力。该研究为开发自发性听觉注意切换算法及推进自然场景听觉脑机接口（BCI）研究奠定了基础。
想象一下，在一个嘈杂的咖啡馆里，你正专注于和朋友的对话，但隔壁桌突然讨论起你感兴趣的新闻，你的注意力会不自觉地被吸引过去。这种在多个声源之间“切换频道”的能力，是大脑听觉注意（Auditory Attention）机制的核心功能，也是构建能够与人进行自然交互的智能听觉脑机接口（Brain-Computer Interface, BCI）的关键。听觉BCI，特别是基于非侵入性电极（如脑电图EEG）的技术，因其无创、易于使用的特性，在理解听觉认知和实现新型人机交互方面展现出巨大潜力。
然而，尽管对选择性听觉注意的研究兴趣日益增长，该领域的发展却面临一个基础性瓶颈：高质量、公开可用的研究数据严重不足。现有的脑电数据集大多关注在实验室严格控制下的、有明确提示的听觉注意任务，而现实生活中，我们的注意力切换往往是自发的、内源性的。例如，在没有外部提示的情况下，我们可能会因为听到自己的名字或感兴趣的话题而突然将注意力从一个说话者转向另一个。解码这种“自发性听觉注意切换”（spontaneous auditory attention switching）对于开发真正自然、流畅的听觉BCI至关重要。但相关研究却受限于缺乏能够反映这种自然听环境下大脑活动的公开脑电数据集。数据的匮乏，限制了算法模型的开发与验证，阻碍了听觉BCI从受控实验室环境走向真实复杂场景的步伐。
为了填补这一关键空白，一项发表在《Scientific Data》上的研究构建并发布了“听觉注意切换数据集”（Auditory Attention Switching Dataset, AASD）。这是一个专为研究自然听觉处理过程中的自发性选择性听觉注意切换而设计的非侵入性脑电数据集。该数据集不仅包含了受试者维持注意（sustained attention）于目标声源时的脑电信号，更关键的是，它捕捉到了注意力在多个竞争性声源之间自发切换的事件。研究人员通过精心设计的实验范式，诱发了接近真实场景的注意力动态变化。为确保数据集的价值并展示其应用潜力，研究团队还引入了一个基线解码模型（baseline decoding model），用于验证数据的完整性和可解码性，为后续算法开发提供了基准。这项工作的核心目标，是为开发先进的自发性听觉注意切换解码算法、并最终推动自然场景听觉BCI（natural-scenario auditory BCIs）的研究，提供一个坚实、开放的公共数据基础。
为了构建AASD数据集，研究人员主要采用了以下几项关键技术方法：首先，设计了能够诱发自发性听觉注意切换（spontaneous auditory attention switching）的双说话者范式（two-speaker paradigm），在自然听环境下采集数据。其次，使用高密度的非侵入性脑电图（non-invasive Electroencephalography, EEG）系统同步记录受试者在执行注意任务时的大脑神经活动。数据采集后，对EEG信号进行了包括滤波、去伪迹（如眼电伪迹）在内的标准预处理流程，以提取高质量的神经信号特征。此外，研究还引入并训练了一个基于机器学习的基线解码模型（baseline decoding model），用于从处理后的EEG数据中解码选择性听觉注意（selective auditory attention）的状态，特别是区分持续注意（sustained attention）和注意切换（attention switch）事件，从而验证了数据集在解码任务中的可用性和有效性。
研究结果
- •
数据集的构建与内容：研究成功构建了AASD数据集，该数据集包含了在模拟真实场景的听觉环境中记录的高质量、多通道脑电数据。数据清晰地记录了受试者将选择性听觉注意（selective auditory attention）维持在一个目标说话者（持续注意阶段），以及注意力自发、内源地切换到另一个先前被忽略的竞争说话者（注意切换事件）的完整神经过程。
- •
基线解码模型的性能：为验证数据质量，研究设计并实现了一个基线水平的解码模型。该模型能够利用AASD中的脑电信号，对受试者的注意状态（即注意哪个说话者）进行显著高于随机水平的解码。这证实了数据集所捕获的神经信号中确实包含了与自发性听觉注意切换（spontaneous auditory attention switching）相关的可靠信息，数据具有可解码性和用于算法开发的潜力。
- •
数据完整性验证：通过解码模型的成功应用，研究从实证角度验证了AASD数据集的完整性。数据不仅记录了原始的神经生理信号，其伴随的实验事件标记（如注意切换发生的精确时刻）也与神经信号变化具有一致性，确保了该数据集可作为可靠基准用于未来更复杂解码算法的训练与测试。
研究结论与意义 本研究发布了一个专注于自发性听觉注意切换（spontaneous auditory attention switching）解码的开放、非侵入性脑电数据集——AASD，并验证了其数据完整性及应用潜力。该工作直接回应了听觉脑机接口（BCI）研究领域对高质量、自然场景下脑电数据的迫切需求。AASD数据集独特地包含了自然听觉环境中持续注意（sustained attention）和自发切换（spontaneous switching）的神经信号，这为研究大脑如何处理动态变化的听觉场景、以及内源性注意控制机制提供了宝贵的资源。所引入的基线解码模型不仅证明了数据的可用性，也为后续研究设立了一个可比较的基准。总体而言，这项研究为开发下一代能够理解并适应人类自然听觉行为的听觉脑机接口（auditory BCIs）奠定了坚实的数据基础，有望推动选择性听觉注意机制的基础研究，并加速自然、高效人机交互系统的发展。
