将语言—图像先验融入 EEG 解码以实现跨任务零校准 RSVP-BCI

该研究针对 RSVP-BCI 解码器在单一任务内表现较好、迁移到不同目标类别任务时性能下降的问题，提出 EEG with Language-Image Prior fusion Transformer（ELIPformer），利用任务提示与刺激图像提供的语言—图像先验增强跨任务零校准 EEG 解码。基于摘要分析，未取得论文全文。 RSVP-BCI 通过检测 ERP 实现目标信息检测。研究设计了三个不同的目标图像检索 RSVP 任务，并构建包含 EEG 信号及对应刺激图像的数据集；作者称该数据集为开源数据集，但具体获取条件尚未验证。方法使用基于语言—图像预训练模型的 prompt encoder，从任务特定提示和刺激图像提取先验特征，再通过跨模态双向注意力促进 EEG 特征与语言—图像特征的融合和对齐。其核心思路是借助目标语义和视觉信息辅助跨任务解码，而非仅依赖单一 RSVP 任务中的 EEG 特征。 作者报告，ELIPformer 在跨任务零校准 RSVP 解码实验中优于对照方法；摘要未给出具体指标、数值或基线名称，因此不能量化其优势。“零校准”在摘要中指不使用新任务的校准数据，并不意味着推理时不需要任务提示或刺激图像，也不能据此认定实现了跨被试零校准。 复现与证据核对重点包括：三个任务的目标类别和数据划分、被试及会话安排、语言—图像预训练模型与提示构造、推理时可用输入、EEG 预处理、训练目标，以及先验与双向注意力各自的贡献。实验协议、消融及统计信息尚未验证；尤其需结合对照设置判断性能提升来自 EEG 与先验的有效互补，还是主要依赖视觉语义信息。作者将该方法定位为推动 RSVP-BCI 实际应用的路径，但摘要不足以确认其在线部署效果。