SpikeEEG-3D：用于 EEG 三维视觉解码的脉冲神经网络

基于摘要分析。该研究面向从 EEG 恢复三维视觉内容的问题，提出 SpikeEEG-3D，将脉冲神经网络（SNN）用于从 EEG 表征学习到彩色点云重建的完整流程。作者称，据其所知，这是首个用于 EEG 三维视觉解码的 SNN 框架；这一优先性声明尚未独立核实。 在 EEG 表征学习阶段，框架采用 Learnable Dynamics Leaky Integrate-and-Fire（LD-LIF）神经元，联合优化输入增益与膜时间常数，以形成自适应且多样化的神经元动力学。Event-Enhanced Cross-Attention（EECA）利用脉冲状态转换，促进静态与动态 EEG 流之间的信息交换。摘要未说明两类 EEG 流的构造方式、脉冲编码方式及具体训练目标，这些实现细节尚未验证。 在三维重建阶段，作者提出 SpikeBit，通过按比特加权的虚拟时间步提供更细粒度的数值表示，同时保留脉冲驱动计算。其研究价值在于尝试解决脉冲表示与三维重建所需数值精度之间的衔接问题，但重建模块的具体结构及精度—计算成本权衡需结合全文核对。 作者报告，在 EEG-3D 上获得良好的 EEG 分类表现及有效的三维重建，并称分类与三维重建的能耗相较 Neuro-3D 分别降低 20.8 倍和 3.1 倍。摘要未给出分类指标、重建指标、绝对能耗、测量或估算方式，也未说明硬件、被试数及被试内／跨被试等划分协议，因此不能据此判断能耗收益是否伴随同等任务性能，或能否推广至其他 EEG 场景。 复现时应优先核对 EEG-3D 的输入与重建目标、数据划分、Neuro-3D 对照条件、能耗统计边界，以及各模块对分类、重建质量和计算成本的独立贡献。实验协议、消融及统计信息尚未验证；代码与模型权重的可获得性亦未由所给材料确认。