Neurocomputing：从脑电图和脑磁图中解码自然图像

本文提出了一种名为MB-ST（多频带时空编码器）的新型脑电编码模型，旨在从EEG（脑电图）和MEG（脑磁图）信号中解码自然图像。研究背景在于，传统依赖fMRI的视觉神经解码方法设备昂贵、时间分辨率低，而EEG虽具备便携和高时间分辨率优势，却存在信号弱、噪声强、个体差异大等挑战。研究目的在于探索如何让AI模型仅凭一段脑电信号，从200个候选图像类别中零样本推断出被试所见内容。方法上，模型通过频带分解模块自适应学习多频段特征，结合时空特征提取模块捕捉多尺度时空动态，并利用对比学习将EEG表征与图像语义特征对齐。实验结果显示，在THINGS-EEG数据集上的200类零样本分类任务中，MB-ST取得了Top-5准确率51.2%的领先表现，平均单样本推理延迟仅3.62毫秒，具备实时解码潜力。结论表明，MB-ST不仅性能优异，还具备跨模态泛化能力和神经生理可解释性，为实时脑机接口和认知状态解碼提供了有效途径。