跨被试 EEG 到图像检索的表征、归一化与序贯校准

基于摘要分析。该研究针对 EEG-to-image retrieval 的跨被试部署问题：源被试训练时可用的被试特异性归一化统计，在未见被试冷启动时不可直接获得。作者提出 Representation-Normalization-Sequential Calibration（RNSC）框架，将共享表征学习、源被试归一化与未见被试校准协调到同一检索空间中。 机制上，RNSC 使用共享且不依赖被试身份的视觉参照；EEG 编码器先对时间结构进行因子化处理，再进行通道语义混合，并在潜在编码之后聚合重复试次。源训练阶段在被试标准化坐标中优化 EEG 潜在表征；部署阶段结合有限的源先验与过去的无标签目标 EEG，序贯估计目标统计矩。摘要明确采用严格的 predict-before-update 协议，即先预测、后更新统计量，但具体估计公式、先验构造及更新规则尚未验证。 作者报告，在 THINGS-EEG2 的被试内（Within-subject）200-way 检索中，共享表征取得 93.67% Top-1 和 99.36% Top-5，并称其达到该设置下的最佳水平；完整 RNSC 在跨被试（Cross-subject）评估中取得 48.10% Top-1 和 76.34% Top-5。摘要未明确跨被试结果的候选集规模，两个协议下的数值不宜直接比较；具体数据划分、重复试次聚合条件与对照基线尚需全文核对。 作者称通过受控消融、潜在空间几何诊断和冷启动分析，区分了表征学习、训练时归一化与序贯目标统计估计的互补作用。复现时应重点核对目标 EEG 的到达顺序、预测与更新边界、统计估计对冷启动样本量的敏感性，以及各阶段的独立增益。详细实验协议、消融结果及统计信息尚未验证，代码与复现资源在所给材料中未获确认。