脑电图基础模型中电极蒙太奇的代表性和功能鲁棒性

脑电图基础模型（EEG-FM）旨在通过学习表征来泛化不同的数据集，理想情况下，这些表征对于特定于数据集的脑电图配置（例如电极蒙太奇）是不变的。然而，接受不同蒙太奇作为输入的 EEG-FM 并不能保证表示和预测在不同的电极配置中保持稳定，尤其是在训练环境之外。在这项工作中，我们通过对四个脑电图基础模型的联合功能和代表性分析来研究不同电极蒙太奇的影响，这些模型被选择用于跨越不同的蒙太奇处理设计。我们评估了空间信息通道减少下跨受试者静息状态睁眼/闭眼和受试者内运动想象分类的嵌入。功能鲁棒性是通过跨通道计数的线性探针的普遍性来测试的，而代表性鲁棒性是通过受试者内相似性和受试者间几何形状的保留来评估的。这四个模型显示出不同的鲁棒性概况，并且两个轴分离：嵌入相似性的巨大变化不需要伴随可比的探针退化，并且稳定的嵌入仍然会损失下游性能。比较同一编码器的两个读数进一步表明，聚合（而不是编码器本身）决定了功能的鲁棒性：尽管在构造上具有蒙太奇不变性，但汇集到解剖学对齐区域中的降级程度小于学习的全局读数。因此，蒙太奇鲁棒性是编码器及其聚合的联合属性，并且表征它需要表示轴和功能轴。输入兼容性本身并不能证明这两者。