关注状态：迈向统一、情境感知的 EEG-to-fMRI 合成

基于摘要分析。该研究针对现有 EEG-to-fMRI 方法依赖脑区专属模型、难以处理被试及数据集异质性的问题，提出统一合成模型 UniEFS，旨在由 EEG 重建具有时间分辨信息的全脑 fMRI 活动，并在单一模型中纳入人口学、生理及实验情境差异。其主要研究对象是跨模态脑活动重建，而非直接验证 BCI 控制或解码性能。 机制上，UniEFS 利用预训练 fMRI 解码器引入空间先验，并通过条件感知 prompt tokens 编码被试层面和实验元数据。该设计将全脑重建与情境条件化结合，试图减少脑区独立建模的限制。摘要未说明 EEG 编码方式、跨模态时间对齐、预训练数据、损失函数，以及元数据如何进入训练与推理，这些细节尚未验证。 作者报告，在闭眼静息态数据上开展了广泛评估，模型能够可靠重建随时间变化的全脑 fMRI 活动；摘要未提供数据集名称、被试数、划分协议、对照基线或定量指标，因此尚不能判断被试内、跨被试或跨数据集条件下的具体表现。作者同时提出向任务态 fMRI 和临床人群零样本泛化的潜力，但摘要不足以确认其验证范围及效果。 阅读与复现时需核对 EEG 与 fMRI 的配对及时间对齐方式、预训练解码器的数据来源、条件元数据的可用性，以及不同被试和数据集之间的划分关系。还需核对重建是否捕捉个体特异的时序变化，而不只是利用空间先验生成合理的活动模式。实验协议、消融及统计信息尚未验证；不能据此认定低成本 EEG 已可替代实际 fMRI 采集，也不能将重建结果直接视为 BCI 有效性的证据。摘要提供了项目页，但代码、权重与复现资源的实际可用性尚未验证。