将脑电图信号映射到视觉刺激：基于深度学习的匹配与不匹配分类方法
通过建立深度学习模型处理视觉刺激与脑电图之间的关联，本研究分析了跨主体差异、模型概括化的困难，并通过独特实验数据集验证该模型能够获得最高准确率。此外，还通过主体间轮廓分数、Grad-CAM 激活评分等分析结果表明，大脑语言和视觉处理区域对模型预测具有重要影响。这些结果有助于神经记录视频重建及其相关应用的发展。
该论文提出了一种新的SDANet模型，用于对不同刺激下的EEG信号进行分类。该模型使用ACM全局发现听觉语音和EEG信号之间的关系，并使用SDSCM基于浅层和深层学习得到的嵌入来决定分类结果。同时，使用多种训练策略和数据增强来提高模型鲁棒性。实验结果表明，该模型在匹配-不匹配轨迹方面比基线模型有显著提升。
