用于 EEG 视觉解码的脑仿生分阶段表征学习：解耦粗粒度与细粒度语义

基于摘要分析。研究针对 EEG 视觉信息解码，提出脑仿生分阶段表征学习框架，将低层视觉表征、高层语义表征与信息融合分别建模，并通过粗细粒度语义解耦和虚拟 EEG 通道增强表征能力。 核心机制包含三个阶段：Phase-I 学习低层视觉表征，Phase-II 学习高层语义表征，Phase-III 进行整合式信息融合。相较于摘要所描述的既有方法主要改进 EEG 编码器、再与视觉特征对齐，本研究强调显式建模视觉处理阶段。其多模态双层语义学习机制区分粗粒度的标签级语义与细粒度的图像级语义；虚拟 EEG 通道则用于扩展 EEG 的表征容量。摘要未说明阶段间的训练关系、语义解耦的损失形式，以及虚拟通道的构造和使用方式，不能据此判断其具体实现。 作者报告，在其称为最大基准数据集的实验中，该方法在被试相关（subject-dependent）与被试独立（subject-independent）的零样本设置下均较现有先进方法取得显著提升。摘要未提供数据集名称、被试数量、划分方式、零样本任务定义、评价指标、具体分数或对照方法，因此尚不能量化提升，也不能将这两种设置直接等同于已明确划分的被试内或跨被试协议。 阅读与复现时需核对三个阶段、双层语义及虚拟通道的独立贡献，以及视觉特征与标签监督如何进入训练和推理。实验协议、消融及统计信息尚未验证，代码与复现条件亦未确认。其脑仿生设计提供了组织模型的理论动机，但摘要中的性能主张不足以证明模型阶段与真实脑视觉处理过程具有对应关系。