基于双人脑神经同步的 AI 生成内容检测

基于摘要分析。研究针对真实内容与 AI 生成内容（AIGC）的区分问题，通过 EEG 超扫描构建双人 EEG 数据集，分析人际神经同步（INS），并提出 Squeeze-and-Excitation Depthwise Separable Convolution（SEDSC）模型进行内容真伪分类。主要研究对象是人在接触不同内容时的双脑响应，而非直接分析生成内容本身的数字特征。 分析方法上，研究使用被试间相关（ISC）考察不同模态、效价和生命性条件下的 INS 差异。作者报告，在所分析的四个频带中，文本和音频模态下，真实材料诱发的脑间同步均高于 AIGC 材料；摘要未给出具体频带范围、效应量或统计检验结果，因此尚不能据此判断差异的稳定性与个体适用范围。 分类方法上，SEDSC 使用相位锁定值（PLV）评估脑间功能连接，对四个频带的输入加权后送入网络分类。作者报告，模型在真实与生成内容二分类中取得 92.42% 的 Accuracy；但摘要未说明被试人数、刺激规模、训练测试划分，以及属于被试内、跨被试还是其他评估协议，该数值应限定为作者所用但摘要未详述的实验条件，不能直接视为对新被试或新内容的泛化能力。 该工作的可核对贡献是双人 EEG 实验范式、同步性分析与脑间连接分类的结合。复现需进一步核对刺激材料及配对方式、同步采集与预处理、ISC 和 PLV 的计算细节、频带加权及模型训练配置。数据是否公开、单人 EEG 与双人 EEG 的对照、消融及统计信息尚未验证；也需核对评估是否区分对未见被试、未见刺激和不同生成来源的泛化。