NEED：从 EEG 信号重建视频与图像的跨被试与跨任务泛化

基于摘要分析。该研究针对 EEG 视觉重建中跨被试泛化较弱、模型受限于特定视觉任务的问题，提出统一框架 NEED，目标是在零样本条件下实现跨被试及跨任务的视频与图像重建。作者声称这是首个实现上述能力的统一框架，但其首次性尚未独立核实。 机制上，NEED 包含三个部分：Individual Adaptation Module 在多个 EEG 数据集上预训练，用于归一化被试特异性模式；双路径架构分别捕获低层视觉动态与高层语义，以应对 EEG 空间分辨率有限及时间动态复杂的问题；统一推理机制用于适配不同视觉领域。摘要未提供各模块的具体结构、训练目标、预训练数据组成及重建流程，因而不能进一步判断适配与生成模块如何衔接。 结果方面，作者报告 NEED 的视频重建表现优于现有方法，但摘要未列明基线和对应指标。在泛化至未见被试时，作者报告模型保留了被试内分类性能的 93.7%，以及被试内视觉重建质量的 92.4%；这些数值是相对于被试内表现的保留比例，不是绝对 Accuracy 或重建得分，摘要也未说明其具体指标与计算方式。在不微调、直接迁移至静态图像重建的跨任务设置下，作者报告 SSIM 为 0.352，尚需结合数据集、划分及对照结果解释。 复现与证据核对重点包括：多数据集预训练与未见被试评估之间的划分关系；零样本条件是否允许任何目标被试数据参与适配；视频到静态图像迁移的任务与刺激划分；分类性能和重建质量的定义；各模块的独立贡献。数据集名称、被试数量、实验协议、消融及统计信息尚未验证，代码与模型权重的可获得性也尚未验证。现有摘要支持将其视为 EEG 视觉解码泛化方案，不能据此推断其已具备通用 BCI 有效性。