BrainAlign：通过频率感知时序编码器与可微聚类分配器实现 EEG–视觉对齐

基于摘要分析。BrainAlign 研究快速图像呈现条件下的 EEG 物体解码，针对神经信号噪声与零样本场景中的语义失配，结合频率感知时序编码、自适应通道分组及对比学习，将 EEG 特征与视觉语言模型（VLM）对齐。 机制上，Frequency-Aware Temporal Encoder（FATE）使用实数快速傅里叶变换与可调带通滤波器，旨在压缩含噪信号并保留时间信息；Differentiable Cluster Assigner（DCA）通过交叉注意力动态优化通道分组，旨在抑制噪声并增强任务相关特征。框架进一步采用自监督对比学习完成 EEG 与 VLM 的特征对齐。摘要未提供滤波参数、通道分组约束、对比损失形式、正负样本构造或 VLM 是否冻结等实现细节，尚不能判断各模块的独立贡献。 作者报告，在摘要未具名的大规模数据集上达到最先进性能，零样本检索准确率提升 5.85%，分类提升 3.3%。摘要未说明这些提升是相对百分比还是百分点，也未明确分类指标、对照基线、候选类别规模及被试内、跨被试或跨会话划分，因此不能将这些数值解释为绝对准确率或与其他协议直接比较。 阅读全文或复现时，应核对零样本设置中训练与测试图像、类别及被试的划分，以及 FATE、DCA 和对比对齐各自的消融结果；同时需确认频域处理如何保留时间信息，以及通道分组对通道配置变化的适应性。实验协议、消融及统计信息尚未验证，数据与代码可用性亦尚未验证。本文直接研究 EEG–视觉解码，但摘要中的结果并不等同于在线 BCI 系统有效性；相关 EEG 工作尚未检索确认。