EEG-FM-Audit：EEG 基础模型的系统评估和分析流程

大型脑电图基础模型 (FM) 在解码不同认知任务中的脑电图信号方面表现出了巨大的潜力。然而，现有的 EEG-FM 研究表现出三个关键局限性：不透明的监督基线调整、复杂学习范式的贡献未经验证以及模型决策缺乏透明度。为了解决这些问题，我们提出了 EEG-FM-Audit，这是一个综合评估和分析管道，旨在系统化 EEG-FM 评估。 EEG-FM-Audit 由三个主要组成部分组成：(1) ASHA 驱动的基准测试协议，通过透明地优化监督基线来确保公平比较； (2) 范式水平消融研究，以评估 FM 中学习范式的有效性； (3) 神经生理学探测 (NPP) 框架，探索 FM 是否利用有效的时间、空间和频谱 EEG 特性。我们将 EEG-FM-Audit 应用于三个公共数据集中的四个最先进的 EEG-FM 和五个代表性监督模型。我们的结果表明，尽管需要的参数少得多，但经过适当调整的监督基线可以匹配或优于先进的 FM。此外，我们发现 FM 学习范式的有效性高度依赖于数据集规模和架构。最后，NPP 分析展示了 FM 如何依赖特定的生理特征，为更可解释的神经解码建立框架。