从 EEG 解码自然图像以进行物体识别

基于摘要分析。该研究针对低信噪比 EEG 中自然图像表征的提取问题，提出自监督跨模态框架，通过对齐图像刺激与对应 EEG 响应的特征，实现面向物体识别的 EEG 解码；主要任务是识别图像所对应的物体，而非直接生成或重建图像。 方法使用图像编码器与 EEG 编码器分别提取成对数据的特征，再通过对比学习约束两种模态的相似性。作者还引入注意力模块捕获空间相关性。摘要未给出编码器结构、对比损失的具体形式、正负样本构造及训练细节，这些实现条件尚未验证。 作者报告，在一个 EEG—图像数据集的 200 类零样本任务中，Top-1 Accuracy 为 15.6%，Top-5 Accuracy 为 42.8%，并称其达到当时最优结果。摘要未明确数据集名称、被试数量、被试内或跨被试设置、训练与测试类别划分以及对照方法，因此这些结果应限定在文中所述任务下理解，不能直接与其他协议比较。 作者还从时间、空间、频谱和语义维度开展分析，以探索解码结果的生物学合理性，并将注意力捕获的空间相关性视为脑活动的间接证据。具体分析方法、消融及统计信息尚未验证；注意力所反映的相关性不宜直接等同于因果神经机制。 摘要提供了代码仓库，具备进一步核对实现的入口，但代码内容、数据获取条件与复现完整性尚未验证。复现时应优先核对零样本类别划分、被试与会话划分、图像编码器的预训练条件及注意力模块的独立贡献。摘要中的结果尚不足以验证真实场景 BCI 的有效性。