ShortEEG-Bench：短窗口协议下 EEG 基础模型的综合评估基准

基于摘要分析。该研究针对 EEG 基础模型评估主要采用长时间窗口、可能掩盖细粒度时间动态并限制低延迟 BCI 适用性的问题，提出统一的短窗口评估基准 ShortEEG-Bench。研究评估了 10 个模型和 11 个数据集，覆盖模型间比较、时间分析与多任务训练。 评估机制方面，摘要将现有长窗口描述为 4–30 秒，短窗口长度设为对应长窗口的 1/8–1/2；这并不代表所有数据集使用相同的绝对窗口长度。研究同时考察短窗口预测、多数投票与长窗口预测的关系，以及窗口在任务时间轴上位置变化时的解码表现。具体数据集、任务、模型名单，窗口切分与重叠方式，以及被试内、跨被试或跨会话划分尚未验证。 作者报告，缩短输入后 EEG 基础模型仍保持有竞争力的表现，任务专用模型并非始终占优；摘要称短窗口多数投票在 36% 的比较中优于长窗口预测，但该比例的统计单位、对照配置与具体指标尚未验证。作者还报告，短窗口分析揭示了长窗口聚合掩盖的时间波动，其中部分任务在提示后的早期区间具有较高 Accuracy，随后逐渐下降；摘要未提供这些任务的名称、时间区间或下降幅度。 多任务训练方面，作者报告，同域多任务学习使 57% 的受评 EEG 基础模型出现正迁移，而跨域训练更常产生负迁移。同域与跨域的定义、任务组合、训练预算、迁移判据及该比例的具体分母尚未验证，因此不能直接将其解释为跨被试或跨数据集泛化收益。 该基准的具体价值是将输入时长、任务内时间动态和多任务迁移行为纳入同一评估框架。需要注意，短输入窗口不自动等同于端到端低延迟：多数投票是否需要等待多个窗口、累计使用多长时间的信号，以及推理耗时，均需核对全文。实验协议、消融及统计信息，以及代码与复现条件尚未验证。