EEG 基础模型的通道适应：跨架构、任务和训练制度的系统基准

扩展脑电图基础模型需要跨异构电极蒙太奇汇集数据，这是更大的预训练语料库和下游部署的先决条件。我们首次对四种通道适应方法（Conv1d 投影、球面样条插值 (SSI)、源空间分解和黎曼重定心）在五个预训练 EEG 基础模型（5M--157M 参数）、五个下游任务和两个训练方案（每个训练方案有 10--15 个随机种子）之间进行系统比较。我们发现刚性蒙太奇模型（BENDR、Neuro-GPT）需要外部适应，而灵活模型（EEGPT、CBraMod）在微调时可以匹配或超过本机适应，但在冻结编码器部署下受益于外部方法。存在探针-SFT 不对称性：外部适应会在灵活模型的 微调 期间导致严重的负迁移。最佳方法是依赖于架构的（BENDR 的 Conv1d、Neuro-GPT 的 SSI/Riemannian、抑郁症检测的源空间分解），并且 5M 参数 CBraMod 在 4/5 数据集上的性能优于模型高达 31$\times$，这与紧凑 EEG 特定架构可以匹配更大模型的独立发现一致。