BraVista：用于多任务 EEG 解码的视觉语言框架

基于摘要分析。BraVista 探索如何将异质、有限规模的 EEG 数据接入通用基础模型，以支持多任务解码。其核心方法是将多通道 EEG 编码为结构化图像，通过指令条件化的视觉语言模型（VLM）学习不同任务，并对通用领域 VLM 进行持续后训练，无需额外的大规模 EEG 自监督预训练阶段。 机制与对照：该框架借助 VLM 的视觉和语言先验适配 EEG。作者报告，EEG 到图像的表示选择对适配效果至关重要；以相同视觉编码器搭配任务专用分类头进行受控对照时，语言模型带来了超出视觉特征提取的贡献。摘要未说明图像构造方式、指令格式、后训练目标、参数更新范围或任务间采样策略，这些实现条件尚未验证。 评估与结果：作者在四个 EEG 数据集上评估，覆盖多个 BCI 任务和问题设置，并报告多任务学习在低数据条件下改善解码表现，提示任务间存在有效知识共享。摘要未给出数据集名称、被试数、划分方式、具体指标或收益幅度，因此不能判断该改善适用于被试内、跨被试、跨会话还是跨数据集协议，也不能据此确认对未见任务或记录条件的泛化能力。 信号依赖与局限：作者报告，随着噪声增强，性能逐渐下降；屏蔽单个频带会导致任务特异性的性能下降。这些扰动结果支持模型利用 EEG 相关信息的解释，但不足以单独排除所有表面视觉线索。复现时需核对 EEG 图像编码是否保留通道、时间与频率结构，训练测试划分及预处理流程，以及低数据对照是否使用一致的数据预算。实验协议、消融及统计信息尚未验证。