通过视觉—EEG 特征对齐实现脑启发式视频质量评估

基于摘要分析。本文研究视频质量评估（VQA）如何更好地反映人的主观感知，提出对齐视频与 EEG 特征的脑启发式深度学习框架。其主要研究对象是视频质量预测，而非 BCI 控制或通用 EEG 解码；EEG 在其中用于提供与视觉体验相关的神经响应信息。 方法上，作者构建了同时具有 Mean Opinion Score（MOS）和 EEG 标注的视频失真数据集，用于分析视频失真对 EEG 响应及主观评分的影响。框架采用自适应 EEG 特征学习网络，提取与视频失真相关的 EEG 特征，并通过三阶段训练策略，使视频质量预测网络对齐视频与 EEG 特征。摘要未说明自适应机制、对齐目标或损失形式，也未给出各训练阶段的具体操作，不能据此判定 EEG 是仅用于训练的辅助信息，还是推理阶段也必需的输入。 作者报告，该方法在所开展的视频质量评估实验中优于现有技术，预测结果与人的主观评分具有较强一致性。但摘要未提供具体指标、数值、对照方法、被试数量或数据划分，因而尚不能评估提升幅度、跨被试泛化及对不同失真类型的稳健性。实验协议、消融及统计信息尚未验证。 复现时需核对视频与 EEG 的时间对应方式、EEG 预处理、MOS 采集流程、训练与测试的被试及视频划分，以及视觉—EEG 对齐相对纯视频模型的独立贡献。数据与代码开放情况尚未验证。现有材料支持将其理解为 EEG 辅助的感知质量建模，不能将作者报告的 VQA 收益直接解释为 BCI 性能提升。