从 EEG 脑记录重建动态视觉：EEG 究竟包含多少信息？

基于摘要分析。该研究针对 EEG 非平稳、噪声较强及 EEG-video 数据有限条件下的动态视觉重建问题，提出 EEGVid，利用 EEG 表征驱动视频合成，并通过重建任务探查 EEG 所编码的视觉信息。研究对象是观看动态视觉刺激时的 EEG 与对应视频，而非仅重建静态图像。 方法先学习 EEG 表征，再将其用于带时间条件的 StyleGAN-ADA，把 EEG embeddings 映射到特定帧位置。该设计将 EEG 特征与视频帧的时间定位相联系；摘要未说明表征学习的监督方式、损失函数、时间条件实现及训练流程，这些细节尚未验证。 作者报告，在 SEED、EEG-Video Action 和 SEED-DV 三个数据集上的实验支持具有语义意义的动态视觉重建，但摘要未提供具体指标、分数、对照基线或被试内、跨被试、跨会话划分，因此不能据此判断不同协议下的重建性能及泛化能力。 作者报告，信息探查呈现半球不对称：左半球对视觉内容更具预测性，右半球对情绪内容更具预测性；颞叶是信息最丰富的区域；EEG 时间步 100–300 对动态视觉编码最关键。此处时间步不能直接换算为毫秒，其采样率、对齐基准、区域比较方法与统计信息尚未验证，上述发现应限定于作者使用的数据及实验条件。 作者认为，生成先验贡献精细空间细节，而 EEG 提供与所观看刺激相符的语义和时间引导，因此将视频生成定位为检验 EEG 表征内容的工具，而非独立生成质量基准。复现时需核对 EEG 与视频的对齐、数据划分、生成先验与 EEG 条件贡献的对照，以及信息探查的消融和统计协议；摘要不足以确认这些细节，代码、预处理及完整复现条件也尚未验证。