通过自适应时间重校准学习脑对齐视觉表征，用于基于 EEG 的视觉解码

基于摘要分析。该研究针对 EEG 视觉解码中机器视觉表征与人类感知不匹配，以及可解码视觉信息在时间上稀疏的问题，提出 BEAT（Brain-aligned visual Encoder with Adaptive Temporal recalibration），联合学习脑对齐视觉表征并自适应调整 EEG 时间信息的利用。 表征学习方面，BEAT 采用双重对齐策略，将多教师视觉蒸馏与跨模态对比学习结合，用于引导视觉编码器学习兼具语义意义和神经对齐特性的表征。相较于摘要所述的“将 EEG 对齐至冻结预训练视觉嵌入”范式，其关键区别是视觉侧表征也参与适配。摘要未给出教师模型、蒸馏目标、对比学习样本构造或各项损失的具体形式。 时间建模方面，自适应时间重校准模块通过时间上下文化，增强包含视觉信息的信号区间并抑制噪声区间，以应对统一处理各时间段的局限。作者将该模块描述为轻量、可插拔且可用于不同骨干网络；具体结构、计算开销和跨骨干适用性尚未验证。 作者报告，在其零样本脑到图像检索实验中达到当前最佳表现，并称图像重建结果进一步支持所学表征的有效性。但摘要未提供数据集、被试数量、候选图像规模、零样本划分、检索指标、对照方法或具体数值，也未说明属于被试内、跨被试或跨会话评估，因此不能据此认定跨被试泛化或实际 BCI 应用性能。 复现时应重点核对视觉编码器的训练与冻结设置、多教师蒸馏和跨模态对齐的各自贡献、时间重校准的独立增益，以及零样本训练与测试类别的划分。实验协议、消融及统计信息尚未验证，代码、数据可用性与复现条件也需查阅全文确认。