EEG 信号辅助的代数拓扑特征增强深度神经网络用于 Gestalt 虚幻轮廓感知

基于摘要分析。本研究针对深度神经网络难以识别 Gestalt 图像中的虚幻闭合与轮廓这一视觉感知问题，提出以 EEG 信号辅助、基于拓扑数据分析（TDA）的深度聚类方法。主要研究对象是 Gestalt 虚幻轮廓识别，而非通用 EEG 解码或 BCI 控制任务。 方法利用 TDA 分析观看 Gestalt 与非 Gestalt 图像时的 EEG 响应，提取拓扑与几何信息，形成辅助识别的特征和描述符，并结合 EEG 分析结果与数字图像进行分类。作者认为，TDA 能呈现两类图像所诱发 EEG 信号的可分性。摘要未说明具体拓扑构造、EEG 预处理、特征融合位置、聚类目标及训练和推理阶段对 EEG 的依赖，相关机制尚需全文核验。 作者报告，在 Gestalt 虚幻轮廓分类实验中，结合 TDA 的 DeepCluster 达到 66.5% Accuracy；进一步利用从 EEG 提取的拓扑特征后，Accuracy 达到 71.9%。作者还报告，将拓扑特征用于 multi-view clustering（MVC）带来 4.5% 的提升，但摘要未明确该数值是相对百分比还是百分点，也未给出对应基线数值。上述结果的数据集、被试数量、数据划分，以及是否采用被试内或跨被试评估均尚未验证，不能据此判断跨被试泛化能力。 阅读或复现时，应核对 EEG 特征是否提供了独立于图像输入的增益、测试阶段是否需要同步 EEG，以及图像与 EEG 的配对和划分方式。背景中提及输入微小变化可能干扰视觉模型，但摘要未提供该方法在此类扰动下的具体结果，因此尚不能确认其鲁棒性改善。实验协议、消融及统计信息尚未验证。