评估脑电图基础模型泛化的多维框架

在适当的适应设置下评估基础模型对于理解学习表示的质量和可转移性至关重要。最近的脑电图基础模型已经证明了跨任务和数据集的良好传输能力，推动了它们在神经技术和临床应用中的不断增长。然而，这些模型通常在精心策划的下游数据集上的完整 微调 下进行评估，这种设置不能反映生物医学领域的限制，例如有限的标记数据、减少的传感器覆盖范围或参数高效的适应。在这项工作中，我们提出了一个多维评估框架，用于在现实的资源匮乏条件下评估脑电图模型。在所提出的多维评估框架下，对 6 个不同数据集的监督脑电图模型和最新脑电图基础模型（包括 LaBraM、CSBrain 和 CBraMod）进行了实证分析。我们发现脑电图基础模型始终能够在睡眠阶段预测和心理健康状态分类等长上下文任务上提供性能提升。相比之下，对于短窗口脑机接口类型的任务，监督模型尽管参数少得多，但仍能达到相当的效果。其他分析表明，当前的基础模型对短窗口任务和通道受限设置的鲁棒性有限。总之，这些发现促进了多维评估协议的使用，这些协议描述了实际使用约束下的模型行为。