面向 THINGS-EEG2 上 EEG 图像重建的自适应双空间融合三流解耦网络

基于摘要分析。该研究针对非侵入式 EEG 响应短、噪声高且空间采样有限条件下的视觉刺激重建，提出 Tri-stream Disentangled Network（TDE-Net），通过三路 EEG 表征与结构、语义双潜空间映射，构建扩散式图像重建流程。 方法使用预处理后的 THINGS-EEG2 数据，将信息组织为原始 EEG 锚点、样本特异性功能图流和多尺度时间语义流。功能图流通过图卷积及跨试次对比学习捕捉 EEG 通道间的频域关系；语义流通过自适应空间加权与多尺度时间卷积提取任务相关特征。结构和语义特征分别映射至 variational autoencoder（VAE）与 Contrastive Language-Image Pre-training（CLIP）潜空间，使用开发集选择的融合权重组合，再由 Stable UnCLIP 解码。摘要未给出原始 EEG 锚点的具体融合方式、损失定义及训练细节。 作者报告，在涉及 10 名参与者的评估中，平均 CLIP 成对识别 Accuracy 为 0.8135；摘要未明确该结果属于被试内还是跨被试协议，也未说明训练、开发与测试数据的划分及候选图像配对方式，因此该数值不能直接与其他协议比较，也不等同于逐像素重建准确率。作者还报告，其他指标支持重建结果在结构及特征空间上的对应关系，并以消融和表征分析考察各信息流的贡献，但摘要未提供具体指标值、对照差异或统计信息。 阅读重点是三路表征是否提供独立且互补的信息，以及双潜空间映射和融合权重如何影响重建。全文、预处理细节、数据划分、生成模型使用方式、消融及统计信息尚未验证；摘要将其定位为可复现流程，但代码、配置与计算资源的可获得性仍需核对。该工作直接研究 EEG 图像重建，其结果不应外推为在线 BCI 性能已获验证。