面向脑卒中运动想象解码的 EEG 基础模型轻量化适应：域偏移与被试级鲁棒性

基于摘要分析。本研究考察健康人群上的 EEG 基础模型能否适用于脑卒中患者的左右手运动想象二分类，并比较 Low-Rank Adaptation（LoRA）与冻结骨干、仅训练分类头的适应方式。其主要贡献是同时评估目标域适应、跨人群零样本迁移与被试级表现，而非仅依据健康数据集上的总体 Accuracy 判断可用性。 研究涉及 LaBraM-base、REVE-base 和 REVE-large，在 PhysioNet EEG Motor Movement/Imagery Dataset（EEGMMIDB）及包含 30 名脑卒中参与者的 UET175 二分类子集上，采用按被试划分的五折交叉验证。作者报告，在 EEGMMIDB 上，LoRA 将 LaBraM-base 和 REVE-base 的 Accuracy 分别提高至 0.822 和 0.957；摘要未提供对应分类头基线数值，无法量化提升幅度。 在 UET175 的上述五折协议下，作者报告所有仅训练分类头的模型均接近随机水平；使用 LoRA 后，LaBraM-base 仍为 0.499±0.009，REVE-base 达到 0.847±0.194，REVE-large 为 0.806±0.178。该比较提示，在所测配置下，增大模型规模并不自动改善脑卒中域适应；这些“±”所对应的统计量尚未验证。 作者进一步对 REVE-base LoRA 进行同一脑卒中队列内的留一被试交叉验证（LOOCV），报告平均 Accuracy 为 0.952，但逐被试 Accuracy 范围为 0.586–1.000，说明较高均值仍伴随低表现被试。该结果与五折结果属于不同评估协议，不宜直接解释为性能提升。作者报告，从 EEGMMIDB 到 UET175 的零样本迁移 Accuracy 为 0.464±0.072，仍接近随机水平。 摘要支持的结论是：健康基准上的高表现不能保证向脑卒中 EEG 迁移有效，目标域适应与逐被试评估均有必要。作者建议在伪在线或实时康复 BCI 转化中评估时间信息、空间敏感性及生理可区分性，但摘要未提供此类部署的验证结果。LoRA 配置、预处理、预训练数据与评估数据的关系、模型选择流程、消融及统计信息尚未验证，复现时需结合全文核对。