EEG 基础模型的潜力与风险：论预训练的作用

基于摘要分析。该研究考察 EEG 基础模型的预训练究竟贡献了什么，以及掩码预测或重建目标是否与不同下游任务对齐。其核心贡献是通过冻结编码器评估、信号统计量保留变换及监督项干预，区分无标签预训练表征的收益与编码器、适配协议可能带来的收益。 作者报告，在覆盖 23 种已发表编码器配置和 34 个数据集的冻结权重评估中，预训练收益具有明显任务差异：睡眠分期和临床 EEG 任务收益较大，运动想象和 ERP 任务收益较小或不存在；当分类器同时获得手工设计的频谱与协方差特征时，预训练收益几乎完全消退。这些结果限定于所研究配置及冻结权重协议，不能直接推广至全参数微调或所有 EEG 基础模型。 为分析表征依赖的信号信息，作者使用仅保留原始 EEG 部分统计量的变换信号进行预训练。作者报告，仅保留频谱与交叉频谱的变换即可复现原始 EEG 预训练的收益，但同一变换会明显损害有监督的运动想象和 ERP 解码。这提示，支撑重建预训练收益的统计信息，未必足以支撑这些解码任务。 作者进一步报告，在重建目标中加入监督项，可用相同数据学到有助于解码的表征，且对预训练目标的影响很小；移除监督后，多数已获得的解码收益消退，而重建损失变化很小。因此，在所研究配置中，良好的重建表现并不能保证获得或保留对运动想象和 ERP 解码有用的表征。 阅读与复现时应重点核对预训练数据与下游数据的关系、被试内或跨被试等划分、分类器与适配设置、手工特征的融合方式，以及统计量保留变换和监督项的具体实现。摘要未提供各任务数值指标、具体数据集名称或统计检验细节，实验协议、消融及统计信息尚未验证。