通过跨被试混合与跨模态对齐增强多模态零校准 RSVP 目标检测

基于摘要分析。该研究针对 RSVP-based BCI 为新用户采集训练数据所带来的校准负担，提出融合 EEG 与瞳孔信号的多模态零校准目标检测方法，旨在仅使用历史被试数据训练模型并应用于新用户。研究利用稀有目标图像诱发的 ERP 及瞳孔信息进行解码，主要贡献是 ResVPNet、跨被试混合策略 MixSub 和基于原型的跨模态对齐模块 PCMA。 机制方面，ResVPNet 是面向 RSVP 信号解码设计的残差网络，通过双分支结构分别提取两种模态的特征。MixSub 在被试之间混合被试相关信息，隐式生成新的信号样本，以增加训练分布的多样性；PCMA 用于对齐多模态特征，并增强不同类别样本之间的分离。摘要未提供混合发生的位置、原型构造方式、具体损失函数及训练与推理流程，这些实现细节尚未验证。 作者报告，在所述多模态零校准 RSVP 目标检测评估中，模型达到 91.89% 的 Balanced Accuracy（BA），优于所比较的方法；作者还报告消融实验与可视化支持所提模块的有效性。但摘要未给出数据集、被试数、新被试划分方式、对照方法及其输入模态，也未提供结果波动与统计检验信息，因此该数值仅能按作者描述的评估背景理解，不能直接与其他协议下的结果比较。 复现时需核对历史被试与新被试的数据隔离、预处理与归一化是否依赖新用户数据、EEG 与瞳孔信号的同步及缺失模态处理，以及各模块在一致协议下的独立贡献。零校准在此指无需新用户训练数据，并不意味着免除 EEG 与瞳孔信号采集。实验协议、消融细节及统计信息尚未验证。