引入皮层前处理的 ConvNets 增强与人类脑响应的对齐

基于摘要分析。该研究关注 ConvNets 对人类视觉加工的建模，考察引入人类视网膜的功能与结构特性，能否改善模型表征与人类 EEG 响应的对齐。核心贡献是检验视觉输入及空间采样的生物合理性，而非提出通用 BCI 解码方法。 机制方面，作者指出，ConvNets 的卷积特征可类比视觉感受野，但在整个视野内进行空间均匀采样并复用特征，并不准确对应人类视觉系统的结构。研究考察了中央凹化刺激（foveated stimuli）、差异化空间采样，以及输入的颜色和对比度过滤。摘要未说明这些处理的具体实现、模型训练方式或 EEG 预测映射方法。 在使用 ConvNets 特征预测人类 EEG 数据的评估中，作者报告中央凹化刺激改善了预测，差异化空间采样能够解释 EEG 记录的若干特征；作者同时报告，颜色和对比度过滤未带来预测改善。摘要未给出数据集、被试数、刺激任务、数据划分、对照模型、评价指标及效应大小，因此尚不能判断收益的量级及其跨被试、跨刺激泛化程度。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若视觉 EEG 编码受刺激位置与视网膜采样方式影响，空间非均匀采样可能成为视觉刺激特征提取的可复用模块，但不等于已证实能提升 BCI 分类或 ITR。迁移需明确刺激位置、注视条件及 EEG 监督目标，并核对模型规模与训练数据需求；低信噪比、注视偏移、被试差异和小样本可能掩盖或削弱收益。一个可检验的小实验是在固定 ConvNets、EEG 预测映射及数据划分的条件下，比较原始刺激与中央凹化刺激的留出预测表现。相关 EEG 工作已有摘要证据，但更广泛的 BCI 迁移工作尚未检索确认。