唤醒状态通过调节大规模视觉系统模型中的层级感觉加工影响知觉决策

基于摘要分析。该研究关注为何简单任务在较高唤醒水平下表现更好，而困难任务的表现与唤醒水平呈倒 U 形关系。作者在深度卷积神经网络中加入全局增益机制，从层级感觉加工角度提出对 Yerkes-Dodson 效应的机制解释。 原问题涉及唤醒状态对视觉知觉决策的影响，而非 EEG 解码或 BCI 算法。摘要介绍的常见解释是，蓝斑去甲肾上腺素系统通过广泛释放去甲肾上腺素改变皮层增益；作者指出，这一解释本身尚不能说明高唤醒为何仅使困难任务表现下降。模型以全局增益作为机制变量，考察其对不同加工层级感觉信息编码及任务表现的影响。 作者报告，该模型复现了唤醒状态与任务难度之间的交互关系；进一步分析显示，全局增益对不同层级的信息编码产生不同影响，从而解释简单与困难任务的表现差异。这是计算模型层面的结果，不能直接等同于对生物神经机制的验证。摘要未提供任务构造、训练数据、增益实现、网络配置、性能指标或定量效应；实验协议、消融及统计信息尚未验证。复现时需重点核对任务难度的操作定义、增益施加方式及层级编码的测量方法。 平台推测（待验证）：若 EEG 视觉任务中的唤醒波动确实改变感觉表征而不只是造成整体幅度变化，该机制可能有助于研究状态变化导致的解码不稳定。可复用的是“全局增益—层级编码—任务难度”的检验框架，视觉卷积网络则需改造为适配 EEG 时间与通道结构的模型，并需要独立的唤醒测量。低信噪比、被试差异、通道变化和小样本可能使增益效应与噪声或幅度缩放混淆。一个可证伪的小实验是在被试内、按试次隔离训练与测试的简单和困难视觉任务中，检验增益模型能否比无增益模型及单纯输入幅度缩放对照更好地预测唤醒与表现的交互关系。已有相关 EEG 工作尚未检索确认。