从 EEG 预测注视事件与注视位置

基于摘要分析。本文研究能否不依赖额外眼动仪，仅从 EEG 预测注视事件（fixations）并估计注视位置（gaze location）。作者提出基于 Transformer 和 LSTM 的两类深度学习架构及其变体，考察架构组织方式及输入受限条件对这两项任务的影响。 方法设计围绕三个维度展开：如何处理 EEG 的空间与时间维度、采用局部还是全局处理，以及这些处理步骤的整体结构与执行顺序。摘要未给出具体模块连接、损失函数、输入表征或两项任务的输出定义，因此尚不能据此还原实现。 作者报告，在与近期 SOTA 方法的比较中，Transformer 模型优于仅使用 LSTM 的模型，但在缩短信号长度和减少 EEG 通道时更为敏感。作者还报告，所提模型从零训练，不使用预训练或微调，结果与所比较的 SOTA 方法相近或略优。摘要未提供数据集、被试数量、被试内或跨被试划分、信号长度与通道配置、具体指标及数值，因而不能判断优势幅度或不同协议下的泛化能力。 这项工作的直接研究对象是 EEG 驱动的眼动预测，而非一般 BCI 指令解码。其可核对价值在于同时考察时间窗口缩短和通道减少时的架构表现；作者报告的结果也提示，较高预测性能不必然伴随更好的输入受限鲁棒性。复现前需核对任务标注、数据划分、预处理、眼动相关成分的处理方式、基线训练条件及评价指标。实验协议、消融及统计信息尚未验证，代码可用性亦尚未验证。