iMINDBench：iEEG 多机构神经解码基准

颅内脑电图（iEEG）广泛用于直接记录人脑内部电极的电活动，使其成为一种有吸引力的神经解码方式。然而，iEEG 解码的进展，特别是通用基础模型的进展，仍然难以可靠地衡量：数据集是特定于任务或机构的，限制了跨任务和记录环境的泛化证据，并且预处理选择可以强烈影响性能，使得模型改进很难与预处理增益区分开来。因此，我们引入了 iMINDBench，这是一个 iEEG 多机构神经解码基准，它可以在三个自然电影观看数据集的 15 个解码任务的共享套件上评估模型。该基准还定义了标准化的预处理轨道和固定的评估分割，以支持一致的模型比较。使用 iMINDBench，我们发现评估的预训练系统通常优于各自预处理轨道内的基线，而强大的光谱基线在机构数据集中仍然具有竞争力。在我们的扩展研究中，将其他科目或机构的监督数据相加 25 倍，与会话内训练相比，仅产生很小的或依赖于任务的收益。总之，这些发现凸显了对 iEEG 模型的需求，该模型需要改进强大的预处理基线，并更有效地利用跨学科和机构的数据。项目网站：https://imindbench.github.io/