像大脑一样看：预测自然视觉刺激诱发的被试特异性 EEG 响应

基于摘要分析。该研究针对自然图像如何诱发个体化神经动态的问题，提出直接由图像预测被试特异性全头 EEG 响应的框架，主要贡献是将视觉表征映射为具有时间、频谱与语义一致性的多通道信号，而非从 EEG 解码图像。 方法结合视觉编码器、EEG 解码器与多尺度膨胀时序细化模块，生成 63 通道、具有时间分辨率的 EEG 响应，并通过多目标训练联合约束时间、频谱与语义一致性。摘要提及分阶段优化，但具体损失函数、个体差异的编码方式、训练阶段安排及输入输出时间窗尚未验证。 作者报告，在涉及 10 名被试及未见测试概念的评估中，模型具有零样本预测能力，枕区响应的保真度尤其突出；预测信号保留了早期视觉成分、频谱特征和与图像相关的表征几何，并支持毫秒级推理。摘要未给出具体指标、对照数值或推理硬件与批量条件，因此尚不能量化效果与效率优势。这里的未见概念评估也不能据此解释为未见被试上的零样本预测。 作者报告，跨数据集验证在刺激信息可靠的被试中复现了主要时空、频谱与语义趋势，消融分析显示各模块及分阶段优化具有互补贡献。数据集名称、可靠性判定标准、训练与测试划分、个体校准需求、基线及统计信息尚未验证。 该工作的直接用途是视觉神经动态的前向建模与类脑视觉表征评估。摘要称框架开源，但代码获取方式及复现条件尚未核实；目前材料也不足以判断其对实际 BCI 解码、域适应、域泛化或测试时自适应的效果。