EntiNeuro：基于 EEG 信号的多实体视觉解码与视频重建

基于摘要分析。该研究关注动态视觉场景中多个语义实体能否从 EEG 同时解码并用于视频重建，提出多实体视觉解码数据集 EntiNeuro、评估基准 EntiBench，以及分层 EEG 重建框架 EntiRecon。 数据与任务：EntiNeuro 包含 624 段动态视频，覆盖八种预定义的跨类别实体组合，并采集了 20 名参与者在三个会话中的同步 EEG 与眼动记录。这里的“跨类别组合”描述刺激内容，并非 Cross-dataset 或 Cross-subject 评估协议。EntiBench 用于评估多实体场景中的实体识别与视频重建；具体实体类别、刺激呈现方式、训练测试划分及被试内、跨被试或跨会话评估设置尚未验证。 核心机制：EntiRecon 将粗粒度实体语义与细粒度 EEG 条件结合，并以眼动作为辅助注意引导。其针对的瓶颈是以往 EEG 视觉解码主要聚焦单一主导语义目标或整体场景内容，难以明确评估多个实体的信息保留情况。摘要未说明语义预测模块、重建模型、训练损失、条件注入方式，以及眼动在训练和推理阶段的具体使用边界。 结果与证据：作者报告，实验支持从 EEG 解码多实体语义信息；在本文多实体场景评估中，EntiRecon 相较既有 EEG-to-video 重建方法改善了语义保真度与多实体保真度。摘要未提供指标定义、数值、基线名称或统计信息，因此不能量化收益，也不能判断其跨被试、跨会话泛化能力。 复现时需核对视频及实体组合如何划分、同一刺激是否跨集合出现、EEG 与眼动预处理及同步方式，以及去除眼动引导或改变 EEG 条件后的对照结果，以区分各类输入对重建的贡献。数据、代码与评估脚本的可用性，实验协议、消融及统计信息尚未验证；当前结果应理解为多实体视觉解码与重建的研究证据，而非已验证的通用 BCI 能力。