VidEEG-Gen：用于视频条件化隐私保护 EEG 生成的数据集与扩散框架

基于摘要分析。该研究针对自然视频刺激下个体化 EEG 响应的生成问题，提出刺激／被试条件化 EEG 生成任务，并引入 VidEEG-Gen 数据集与图增强扩散框架，以缓解 EEG 数据获取成本和个人信号共享的隐私风险。 作者将既有生成方法的局限概括为时空连贯性、生物学合理性及刺激—响应对齐不足。其核心模型 Self-Play Graph Network（SPGN）以视觉输入为条件，通过图增强扩散机制建模 EEG 时空模式；摘要未说明图的构建方式、个体条件的编码方法、扩散训练目标或推理流程，因此尚不能判断各模块如何分别改善这些问题。 作者报告，VidEEG-Gen 包含 1007 个对齐的视频—EEG 生成样本，用于同步自然视频刺激与合成 EEG 动态。真实记录与合成信号的具体构成、被试人数、通道配置、采集与预处理流程，以及被试内、跨被试或跨视频的数据划分尚未验证，不能将样本数视为独立被试数或真实 EEG 记录数。 作者还提出动态视觉感知任务的专用生成质量评估体系，并报告 SPGN 在基准视觉刺激实验中的 signal stability index 为 0.9363、comprehensive performance index 为 0.9373。摘要未给出两项指标的定义、取值解释、对照基线及划分协议；它们不能解释为分类 Accuracy，也不足以单独证明生物学真实性、隐私保护或下游 BCI 效用。实验协议、消融及统计信息尚未验证。 复现时需核对刺激—响应对齐方式、个体条件所需数据、评估指标实现及隐私威胁模型，并区分信号生成质量与下游应用收益。摘要仅将情绪分析、数据增强和 BCI 列为潜在用途，未提供相应效用结果。作者表示代码和数据将在论文被接收后公开；当前开放状态与接收状态尚未验证。