VEP Booster：用于视觉 EEG 生物标志物自动生成的闭环 AI 系统

基于摘要分析。该研究针对视觉 BCI 中 EEG 生物标志物随生理状态和环境扰动而变化的问题，提出 VEP Booster，通过人类实时 EEG 反馈优化视觉刺激，尝试从刺激端提高诱发响应的可靠性与稳定性，而非仅依赖信号采集后的特征提取和滤波。 核心机制是采用 Deep Convolutional Generative Adversarial Network（DCGAN）调整刺激图像，并将 EEG 响应作为闭环反馈。作者将其目标描述为生成适配初级视觉皮层神经元特征偏好的视觉刺激。摘要未说明反馈指标如何定义、DCGAN 如何训练与更新，以及刺激优化和后续评估如何衔接；因此，不能据此确认具体损失函数、在线更新策略或个体适配方式。 作者报告，在九名人类被试的 SSVEP 协议评估中，使用 VEP Booster 后，SSVEP 生物标志物幅度及单试次 SSVEP 二分类表现均得到统计显著改善，评估涵盖时间内与跨时间分析（intra- and inter-temporal）。摘要未提供具体幅度、分类指标、效应量、显著性检验或对照刺激细节，也未明确这些时间分析是否对应跨会话评估，不宜将其直接解释为 Cross-session 或 Cross-subject 泛化证据。 阅读与复现时需核对刺激参数及对照条件、EEG 反馈目标、优化数据与分类测试数据的划分、时间间隔、个体间差异和统计方法，以判断收益来自何种刺激变化，以及稳定性提升能维持多久。实验协议、消融及统计信息尚未验证。作者提出临床和技术应用潜力，但摘要中的人类 SSVEP 实验尚不足以确认临床有效性或实际 BCI 使用收益。