人类 EEG 与人工神经网络揭示自然图像中物体真实世界大小和深度的解耦表征及加工时间进程

本研究关注自然图像中物体真实世界大小的表征能否与视网膜大小及深度区分，结合人类 EEG、表征相似性分析和多类模型比较，刻画这些属性的表征关系与加工时间进程。基于摘要分析，未取得论文全文。 研究使用 THINGS EEG2 数据集中的人类 EEG 与自然图像刺激，通过表征相似性分析考察不同物体属性与神经活动表征之间的关系。作者报告，在该分析条件下，物体真实世界深度的加工先于视网膜大小，真实世界大小的加工最晚。摘要未提供各属性对应的具体时间窗、效应量或显著性检验，因此这一顺序应视为作者报告的表征时间进程，而非已证实的因果加工链。 模型比较涵盖视觉模型 ResNet、视觉语言模型 CLIP 与语言模型 Word2Vec；材料还涉及自然图像与移除自然背景的物体图像。作者报告，三类模型均能将真实世界大小的表征与视网膜大小、真实世界深度区分，并据跨 EEG 与模型的多模态表征比较，将真实世界大小解释为结合视觉与语义信息的稳定、高层物体空间维度。摘要未说明 Word2Vec 如何对应图像中的物体，也未展开模型特征提取、属性标注与解耦分析的具体实现，不能据此推定其输入或统计机制。 该工作的主要贡献是视觉认知表征与时间进程的研究，而非 BCI 解码算法或在线系统验证。复现时需核对 EEG 预处理与时间分辨率、刺激及被试划分、大小和深度变量的定义、相关属性的控制方式，以及模型表征和 EEG 表征的比较方法。被试数量、实验协议、消融及统计信息尚未验证；摘要中的表征解耦不应直接等同于可用于 BCI 的独立可解码信号。