脑机百科消息(bciwiki.com)，研究人员Ali Alavi与Donald S. Williamson提出一种名为NEUROTOKEN的脑电听觉注意力解码（AAD）方法，在3个公开数据集上，以5秒时间窗识别聆听对象的分段准确率比最强的非生成式基线高出9%至16%。该研究于2026年9月30日以预印本形式上传至arXiv，尚未经同行评审。
听觉注意力解码要解决的是“鸡尾酒会问题”：多人同时说话时，从脑电信号中判断聆听者在关注谁，从而让助听器或脑机接口知道该放大哪个声音。作者认为，现有研究彼此割裂：方向解码只判断声音来自哪一侧，不能对应到具体声源；基于回归的声源解码依赖单一皮尔逊相关系数，在实际设备所需的1至5秒短时间窗内噪声很大；包络重建则没有现成的判别规则。
NEUROTOKEN是一个单一网络，3个输出头共享同一个脑电前端。其中条件流匹配头ATTUNEFLOW以积分速度残差似然比为候选声源打分。研究还设计了两种推理阶段的集成方法：QUADTRACK综合4种互补统计量，ENV-FLOW将QUADTRACK与ATTUNEFLOW做z标准化后合并，用于抵消单一统计量的失效情形。
在KU Leuven、DTU和NJU数据集上，ATTUNEFLOW将受试者间差异缩小约3倍；试次级融合在其中2个数据集上准确率超过93%。作者同时复现了领域常引用的方向解码结果，发现95%至97%的准确率在严格的试次不相交协议下下降17%至45%。作者据此认为，基于似然的建模方式是必要的。