SUPA-EEG：面向 EEG 数据的尺度统一顶枕区架构

基于摘要分析。该研究针对 EEG 视觉感知解码中的表征对齐与通道建模问题，提出 SUPA-EEG，在 THINGS-EEG 上开展零样本视觉检索。其核心贡献是将尺度感知通道加权、多尺度时空表征学习和中间特征对齐整合到同一框架中。 作者将现有方法的局限概括为：仅与 CLIP 最终层对齐，可能忽略神经信号中保留的低层和中层视觉结构；对所有 EEG 通道同等处理，未充分利用空间相关性与多尺度结构。SUPA-EEG 受人类视觉层级处理启发，尝试同时利用通道相关性、不同尺度的时空信息及视觉模型中间表征。摘要未说明通道权重如何计算、多尺度如何定义、使用哪些中间特征，以及对齐损失、训练与推理流程，具体机制尚未验证。 作者报告该框架可产生稳定且可解释的 EEG 嵌入，用于零样本视觉解码，但摘要未提供检索指标、数值或对照结果，不能据此确认性能提升及其幅度。评估对象明确为 THINGS-EEG；零样本的具体定义、训练与测试类别划分、被试内或跨被试设置，以及实验协议、消融及统计信息尚未验证。 阅读全文时应重点核对：中间特征对齐相较仅对齐 CLIP 最终层的贡献，通道加权与多尺度学习各自的作用，以及稳定性和可解释性的证据。摘要提及 BCI、修复性假体及认知负荷监测作为潜在应用，但未提供这些应用场景的验证，不能将视觉检索结果直接视为实际 BCI 系统有效性的证据。代码、预处理与复现条件尚未验证。