基于可控生成的 EEG 闭环视觉刺激框架

基于摘要分析。该研究关注如何反向设计视觉刺激，使其诱发的神经活动接近期望脑状态，而不仅是根据图像预测视觉通路的神经响应。作者提出基于可控生成的 EEG 闭环视觉刺激框架，旨在从理论上无限的自然图像搜索空间中寻找符合目标脑状态的刺激，以应对实验成本高、刺激维度高、个体差异及神经元选择性认识有限等问题。 机制上，框架采用 ANN 集成模型预测神经活动，并将 ANN 所预测的脑编码视为不可微黑箱，以分析视觉刺激与目标脑活动之间的关系。摘要未说明具体生成模型、搜索算法、闭环反馈信号、目标函数，以及预测模型是否随真实 EEG 反馈更新，因此尚不能确定各环节如何共同实现刺激优化。 作者报告，在给定循环步数下，框架能够获得理论最优的自然图像刺激，且这一结论不依赖 ANN 脑编码预测的精确程度；其最优性的定义、适用条件与理论或实验依据尚未验证。作者还报告方法可泛化至不同模态的特定脑活动调控，但摘要未列明模态、任务或评估协议，不能据此认定已验证跨模态效果。 复现时需核对真实被试 EEG 是否进入闭环、目标脑状态的量化方式、个体化建模与数据划分、刺激搜索预算及对照条件。摘要提供匿名代码地址，但代码内容与运行条件尚未验证；被试数量、结果指标、实验协议、消融及统计信息亦尚未验证。该工作直接研究 EEG 视觉刺激调控，但摘要不足以判断其是否改善 BCI 解码或交互性能。