EEG-ImageNet：面向 EEG 视觉解码预训练与跨时间泛化的基准

基于摘要分析。该研究针对 EEG 视觉解码中大规模高质量数据不足、分块实验设计可能引入时间混杂的问题，提出用于跨被试与跨时间泛化评估的数据与基准，并开展预训练实验。标题使用 EEG-ImageNet，摘要将所提出的基准称为 CrossPT-EEG，两者的命名关系尚需核对全文。 数据方面，作者报告采集了 16 名被试观看从 ImageNet 抽取的 4,000 张图像时的 EEG，并为视觉刺激提供多粒度标注；摘要未说明每名被试是否观看全部图像、重复次数及具体标注层级。采集设计包含在时间上分隔的两个阶段，旨在支持跨时间泛化评估并避免分块设计伪影，但阶段间隔、刺激顺序及具体控制措施尚未验证。 评估方面，作者设置面向非分块设计分类的基准，并通过预训练实验考察跨时间与跨被试泛化。跨时间是否具体对应跨会话、训练与测试如何划分、不同阶段是否共享图像，以及预训练与下游评估的数据边界，均需查阅正文确认。摘要未提供模型结构、训练目标、对照基线或定量指标，因此尚不能判断预训练收益及泛化改善幅度。 该工作的直接研究对象是 EEG 视觉感知解码，而非通用 EEG 任务。作者认为数据集具有促进视觉 BCI 和视觉表征研究的潜力，并提出其可能用于改进机器视觉模型；这些应用前景不等于已验证效果。数据开放方式、预处理流程、实验协议、消融及统计信息尚未验证。