论文阅读笔记：Neuro-3D: Towards 3D Visual Decoding from EEG Signals

这篇文章首次提出 EEG 信号 3D 视觉解码任务，构建了EEG-3D 数据集，填补了 EEG 与 3D 刺激配对数据的空白；同时提出了Neuro-3D框架，通过动态 - 静态特征融合、分阶段扩散解码，实现高保真彩色 3D 物体重建。代码：https://github.com/gzq17/neuro-3D

一、EEG-3D 数据集

• 参与者：12 名健康成年人（5 男 7 女）
• 刺激材料：从 Objaverse 数据集选取 72 类 3D 物体（每类 10 个），按 8:2 比例划分训练 / 测试集；同时标注物体类别与主色调（6 类）。通过 Blender 生成每物体的 360 度旋转视频（6 秒，30Hz，180 帧 1024×1024 像素图像）与静态图像，作为动态、静态刺激。
• 采集流程：单参与者实验分 2 次完成，总时长约 5.5 小时。每次包含 24 个会话（每会话 12 分钟），每会话中随机呈现 72 类物体刺激；单个物体刺激块含 “0.5 秒静态图 - 6 秒旋转视频 - 0.5 秒静态图” 序列，块间有 1 秒 fixation（注视点） 十字引导注意力，会话间休息 2-3 分钟。此外，实验前后各记录 5 分钟静息态 EEG 数据。
• 数据规格：用 64 通道 EASYCAP 电极（遵循 10-10 国际标准）以 1000Hz 采样率记录 EEG，同时提供高分辨率视频、静态图像、文本描述、带几何与颜色信息的 3D 物体等多模态数据。

二、Neuro-3D 框架：