真的能够迁移吗？在小规模耳周 EEG 数据上审计冻结的 EEG 基础模型

基于摘要分析。该研究考察在小规模、与预训练分布不同的耳周 EEG 数据上，冻结 EEG 基础模型并训练小型分类器所得的高分是否真正来自可迁移表征，提出一套迁移审计协议，并发布 Synapse 数据集及相关实现。主要贡献是区分表征迁移、设置选择带来的偶然高分，以及通道质量和人口学因素提供的非任务线索，而非提出新的基础模型。 协议记录每项设置选择，在置换标签后重新执行产生原结果的搜索，并使用嵌套交叉验证复核；同时检查未通过质量控制的通道，以及仅凭年龄和性别是否可以预测标签。研究还向记录中注入已知信号，用于确认审计流程能够发现真实效应。摘要未提供具体搜索空间、分类器、置换次数、输入处理或嵌套划分细节，实验协议、消融及统计信息尚未验证。 作者在 Synapse 上评估了八个以头皮 EEG 预训练的基础模型。Synapse 包含 23 名被试的可穿戴耳周 EEG，采用被动听觉范式并带有临床标签；具体临床目标、类别分布及被试划分尚未验证。作者报告，常规评估中两个模型看似能够迁移：BIOT-18ch 的 AUROC 为 0.86，但审计将其表现归因于未通过质量控制的通道，移除这些通道后 AUROC 降至 0.46；LaBraM 的 AUROC 为 0.92，虽不依赖这些通道，但结果仅在狭窄的输入窗口范围内成立，且在当前样本量下无法与年龄和性别因素区分，因此迁移尚不能确认。上述数值对应摘要中的常规评估及通道移除条件，不能视为已验证的跨被试或跨会话性能。 作者报告，在相同记录中向随机一组被试注入已知大小的效应后，协议能够确认该迁移效应；不注入时则未确认迁移。这支持其作为审计工具的检出能力，但不等于证实真实临床标签可由模型可靠解码，也不能据此否定这些模型在其他任务中的迁移能力。作者声明发布协议、代码、数据及全部结果；复现仍需核对完整搜索记录、质量控制规则、混杂分析及注入信号的构造方式。