EVA：实现兼具判别能力与语义保真度的多尺度 EEG-视觉对齐

基于摘要分析。EVA（EEG-Vision Alignment）针对不同视觉刺激诱发的 EEG 语义解码问题，以统一的对比学习架构对齐多尺度 EEG 与快速图像呈现、连续视频序列及 3D 物体旋转刺激，目标是兼顾分类判别能力与脑信号重建的语义保真度。 核心机制是 Universal EEG Encoder 中的两个模块。Frequency-Aware Dynamic Encoding（FADE）通过实值快速傅里叶变换将 EEG 转换到频域，并利用可调带通滤波形成紧凑、自适应的表示。Adaptive Channel Clustering（ACC）通过交叉注意力与基于梯度的优化动态更新通道分组，以捕捉通道间协同关系并缓解噪声影响。摘要未给出具体频带设置、通道分组约束、视觉编码方式、对比学习损失及多尺度对齐实现，这些细节尚未验证。 作者报告，EVA 在多个数据集上的图像检索、视频分类和 3D 物体识别任务中达到领先表现，但摘要未提供各任务的指标、分数或对照基线。作者还报告，在 THINGS-EEG 的 200 个物体类别上，仅使用对齐后的 EEG 特征、不使用文本或低层次线索进行零样本重建，优于此前领先方法；具体优势幅度、重建评价指标，以及零样本的训练与测试类别划分尚未验证，不能据此认定其跨被试或跨数据集泛化能力。 复现时应重点核对异质刺激任务如何共同训练、不同时间尺度如何匹配、FADE 与 ACC 的独立贡献，以及通道聚类对噪声和通道配置变化的敏感性。实验协议、被试与数据划分、消融及统计信息尚未验证。摘要称代码将在发表时发布，当前材料不能确认代码可用性或论文发表状态。作者将该框架称为首个统一此类多尺度与异质刺激对齐的框架，该优先性主张尚未检索确认。