Shadow Brain：用于视觉神经信号解码的仿生学习

基于摘要分析。研究针对视觉信息与 EEG 响应之间因个体差异及低信噪比而难以准确对齐的问题，提出仿生视觉–EEG 学习框架 Shadow Brain，将生物视觉通路的信息处理原则引入个体化视觉–神经表征对齐。 视觉分支借鉴从视网膜感光、信号处理到神经节细胞输出的功能序列，在五种视觉条件下构建特征表示，再通过被试特定的可学习权重进行选择性融合；同一被试的不同刺激共享这些权重。摘要未具体说明五种视觉条件的定义。EEG 分支采用 NeuroWeft 统一模块，联合建模多通道 EEG 的空间关系与时间结构。视觉融合模块、NeuroWeft 与跨模态投影器通过对比学习，在共享语义空间中联合优化，使视觉信息整合适配个体 EEG 信号。 作者报告，在 THINGS-EEG 的十名被试上，使用试次平均 EEG 进行被试内（Within-subject）200 选一图像检索，平均 Top-1 Accuracy 为 68.4%，Top-5 Accuracy 为 90.9%。这些数值对应图像检索而非一般分类，也不代表单试次、跨被试或跨会话性能；摘要未提供对照方法的结果，尚不能据此量化相对提升。 方法的阅读重点在于：个体化适配不仅作用于 EEG 编码，还通过被试特定权重改变视觉表征的融合方式。其生物学启发是否带来独立收益，以及视觉融合、NeuroWeft 与跨模态投影各自的贡献，仍需结合全文核对。具体数据划分、试次平均规则、视觉特征来源、损失形式、消融及统计信息尚未验证，代码与复现条件也尚未验证。