EEG-ImageNet：具有多粒度标签图像视觉刺激的 EEG 数据集与基准

基于摘要分析。该研究针对 EEG 视觉解码缺乏综合数据集的问题，提出 EEG-ImageNet，并建立对象分类与图像重建基准；主要研究对象是观看图像时的 EEG 活动及其与视觉内容的对应关系。 数据与任务：作者介绍，数据集采集了 16 名被试观看从 ImageNet 选取的 4000 张图像时的 EEG，并称 EEG–图像配对数量为现有同类 EEG 基准的 5 倍，但摘要未明确比较对象及配对计数方式。摘要将多粒度刺激描述为“40 张带粗粒度标签的图像和 40 张带细粒度标签的图像”，其与全部 4000 张图像的组织关系尚未验证，不能据此改写为 40 个类别。 基准结果：作者报告，在使用若干常用模型的实验中，最佳模型的对象分类 Accuracy 约为 60%，图像重建的 two-way identification 约为 64%。摘要未提供模型名称、数据划分、候选图像构造或被试内、跨被试等评估背景，因此这些数值仅能作为作者报告的基准结果，不能直接用于跨数据集性能比较；two-way identification 也不等同于对象分类 Accuracy。 研究价值与验证边界：多粒度标签提供了研究 EEG 对不同层次视觉语义表征的条件，分类与重建任务则覆盖了离散对象判别和视觉内容恢复。作者认为该数据集有助于 EEG 视觉 BCI、视觉感知研究及机器视觉模型改进，但摘要未证明其在在线 BCI 或实际应用中的有效性。复现前需核对采集通道、刺激时序、预处理、训练与测试划分、被试及图像重叠情况、重建评价流程与数据获取条件；实验协议、消融及统计信息尚未验证。