预先训练的面孔熟悉度如何影响身份特异性 EEG 表征的可解码性？

基于摘要分析。该研究探讨预先进行的面孔熟悉化训练是否能增强身份相关 EEG 表征的可区分性与可解码性，并提出 EEG Spatio-Temporal Adaptive Fourier Fusion Network（EEG-STAFF），结合受控熟悉化范式开展细粒度面孔身份解码。这里的预先训练指面孔熟悉化过程，不应等同于神经网络预训练。 研究对象是视觉感知面孔时的 EEG 身份表征：不同身份共享高度相似的视觉特征，使细粒度解码具有挑战性。EEG-STAFF 旨在融合互补的时空信息与频谱信息；摘要未提供具体网络结构、Fourier 融合实现、损失函数及训练流程，相关细节尚未验证。 作者报告，在所研究的熟悉化实验条件下，预先熟悉面孔能够提升身份解码表现，最明显的增益出现在 100–300 ms 时间范围内；摘要未明确该时间窗的参照事件及具体分析协议。作者报告，表征分析显示同一身份内部更紧凑、不同身份之间分离更明显。作者还报告 EEG-STAFF 相较相关领域已有表征方法取得最佳总体解码表现，但摘要未列出对照方法、评价指标或数值，因此不能据此判断提升幅度或跨协议优势。 复现与解释需核对熟悉化训练内容及强度、被试与身份数量、刺激重复情况、EEG 采集与预处理、训练测试划分，以及评估属于被试内还是跨被试。还需核对熟悉化因素与网络因素是否通过独立对照区分，以及时间窗分析、消融和统计检验的具体设置；这些信息尚未验证。当前证据支持将其视为面孔身份 EEG 解码研究，尚不足以推断对其他 BCI 任务的有效性。