EEG-ImageNet：具有多粒度标签图像视觉刺激的 EEG 数据集与基准

基于摘要分析。研究针对 EEG 视觉感知解码中综合性数据集不足的问题，提出 EEG-ImageNet，并建立物体分类与图像重建基准；主要贡献是配对 EEG 与视觉刺激的数据资源及其多粒度标签，而非摘要中明确提出的新解码算法。 数据与任务：作者介绍，数据集记录了 16 名参与者观看来自 ImageNet 的 4000 张图像时的 EEG，并称 EEG–图像配对数量为现有基准的五倍，但摘要未明确比较对象及配对计数规则。摘要另写包含“40 张具有粗粒度标签的图像和 40 张具有细粒度标签的图像”；这一表述与 4000 张图像的组织关系尚不清楚，不能自行解释为 40 个粗粒度类别与 40 个细粒度类别，需核对全文或数据说明。 结果：作者报告，在该数据集上测试若干常用模型时，表现最好的模型在物体分类任务中取得约 60% 的 Accuracy，在图像重建任务中取得约 64% 的 two-way identification。后者是二选一识别评估结果，不能等同于分类 Accuracy 或整体重建质量。摘要未提供模型名称、训练与测试划分、被试内或跨被试协议、重建候选构造及结果不确定性，因此这些数字仅能作为当前摘要所述基准结果，不能直接与其他数据集或协议比较。 技术与复用边界：多粒度标签为比较不同语义层级的 EEG 视觉解码提供了数据条件，但其标签组织、采集通道、预处理、刺激时序、重复呈现与数据获取条件尚未验证。复用前应核对图像、试次和被试层面的划分，以及分类和重建评估的具体定义；实验协议、消融及统计信息尚未验证。作者提出该资源可能促进 EEG 视觉 BCI 和视觉感知研究，并启发机器视觉，但摘要结果不构成实际 BCI 系统效用或机器视觉改进的验证。