EEG 信号辅助的代数拓扑特征增强深度神经网络用于格式塔错觉轮廓感知

基于摘要分析。该研究针对 DNN 难以识别格式塔图像中的错觉闭合与轮廓这一问题，提出由 EEG 信号辅助、基于拓扑数据分析（TDA）的深度聚类方法，通过拓扑与几何特征增强图像分类。研究主要对象是格式塔错觉轮廓识别，而非通用 BCI 解码。 核心机制是分析观看格式塔与非格式塔图像时的 EEG 响应，利用 TDA 表征其可分性并提取特征，再结合 EEG 分析结果与数字图像辅助识别。摘要未说明具体采用何种拓扑描述符、EEG 预处理流程、特征融合位置或训练目标，这些实现细节尚未验证。 作者报告，在摘要所述格式塔错觉轮廓分类实验中，加入 TDA 的 DeepCluster 分类 Accuracy 为 66.5%；进一步利用 EEG 拓扑特征后，Accuracy 为 71.9%。作者还报告，拓扑特征使 multi-view clustering（MVC）获得 4.5% 的提升，但摘要未明确该数值是相对提升还是百分点变化，也未给出其对应指标与基线分数，因此不能与前述 Accuracy 直接比较。 这些结果支持进一步核查 EEG 拓扑特征对该分类任务的贡献，但分类正确率本身不足以证明模型具有人类式错觉轮廓感知。复现需确认被试数量、刺激构成、EEG 通道与采集条件、样本及被试划分、训练和推理阶段是否均需 EEG，以及各对照是否使用一致协议。实验协议、消融及统计信息尚未验证，跨被试、跨会话泛化与面对细微图像扰动时的稳健性也不能由摘要确定。