关注状态：迈向统一、上下文感知的 EEG-to-fMRI 合成

基于摘要分析。该研究针对 EEG-to-fMRI 转换通常需为不同脑区分别训练模型、且对被试层面脑动态差异考虑有限的问题，提出统一模型 UniEFS，旨在单一模型中从 EEG 重建全脑 fMRI，并适应不同人口学与生理背景的数据。其主要研究对象是跨模态脑活动合成，而非直接验证 BCI 控制或解码性能。 核心机制是利用预训练 fMRI 解码器引入空间先验，并通过 condition-aware prompt tokens 编码被试层面及实验元数据，以处理异质数据集。相较于摘要所述的逐脑区建模路线，方法的重点是统一全脑输出与上下文条件化；解码器预训练数据、EEG 表征方式、跨模态对齐机制、损失函数及训练流程尚未验证。 作者报告，在闭眼静息态数据上进行了广泛评估，模型能够可靠重建具有时间分辨率的全脑 fMRI 活动；作者同时认为其具备零样本泛化至任务态 fMRI 的潜力。摘要未提供定量指标、数据集名称、被试数量、划分方式或对照结果，因此不能判断该结论对应被试内、跨被试、跨会话还是跨数据集协议，也不能将任务态泛化潜力视为已确证效果。实验协议、消融及统计信息尚未验证。 复现时应核对 EEG 与 fMRI 的采集及时间对齐方式、元数据在训练和推理阶段的可用性、预训练解码器与评估数据的关系，以及重建指标如何区分空间结构和时间动态的恢复。还需核验条件提示 token 相对不使用元数据的对照收益，以及静息态到任务态的零样本评估定义。合成信号并不等同于直接测得的深部脑活动；其在自然场景 EEG 或 BCI 中的有效性不能由本摘要推定。