通过层敏感时间动态实现动态视觉—脑对齐

基于摘要分析。该研究针对视觉解码中将连续神经记录聚合为静态特征、难以显式区分低层感官细节与高层语义的问题，提出 Layer-Sensitive Temporal Alignment（LSTA）。其核心贡献是保留时间动态，并将神经响应时延与视觉表征的层级深度相耦合，用于零样本视觉—脑检索。 机制上，LSTA 将神经记录组织为整体表征、早期刺激诱发分支和晚期残余语义分支，以区分全局上下文与随时间变化的感知信号；随后将早期感知动态对齐至浅层视觉表征，将晚期认知响应对齐至深层表征。相较摘要所描述的静态时间聚合方法，其创新重点是时间进程与视觉层级之间的对应关系，而非仅生成单一跨模态特征。具体时间窗口、分支实现、视觉编码器、对齐损失及训练与推理流程尚未验证。 作者报告，在零样本视觉—脑检索任务中，LSTA 在 THINGS-EEG 上的 Top-1、Top-5 Accuracy 分别为 91.4% 和 98.6%，在 THINGS-MEG 上分别为 42.7% 和 67.4%，并称达到最先进性能。摘要未提供检索候选规模、零样本定义、被试数量、被试内或跨被试设置、数据划分及对照基线，因此这些数字只能作为各自数据集所述任务下的作者报告，不能直接跨数据集比较。 全文核对重点包括：早晚时间分支与浅深视觉层配对是否具有独立增益；性能提升是否来自时间动态建模而非其他配置变化；各分支的感知与语义解释是否得到实验支持。复现还需确认预处理、时间分段、划分协议及实现可用性；实验协议、消融及统计信息尚未验证。该研究直接涉及 EEG 与 MEG 视觉检索，但摘要不足以证明其对其他 BCI 任务或在线应用的有效性。