EEG 基础模型能否迁移至言语任务？有声言语与想象言语解码基准

基于摘要分析。本研究考察通用 EEG 基础模型能否将预训练能力迁移至有声言语与想象言语解码，并通过统一预处理和微调协议，与任务专用基线进行比较。作者报告，大规模 EEG 预训练在所评估的言语任务上未表现出相对于 16K 参数 CNN 的一致优势。 基准使用两个语料库：UGR-MINDVOICE，包含伊比利亚西班牙语的有声言语与隐性言语；BCI Competition 2020 Track 3，用于想象言语解码。比较对象为两个基础模型 LaBraM、EEGMamba，以及三个基线 EEGNet、ShallowFBCSPNet、EEGConformer。研究的主要贡献是对既有模型进行统一条件下的迁移评估，而非提出新的预训练模型或解码架构；作者将其称为此方向的首次系统性基准，该优先性尚未独立核实。 作者据此认为，当前通用 EEG 预训练尚不能稳定迁移至言语产生任务，并提出发展言语专用基础模型的动机。该结论应限定于本文评估的模型、语料与训练条件，不能外推为所有 EEG 基础模型或预训练策略均无效。摘要未给出具体指标、各任务分数、被试数量、数据划分，以及被试内、跨被试或跨会话评估条件，因此目前无法判断优势是否随任务或协议变化，也不能将“无一致优势”等同于统计等效。 复现时需核对预处理细节、预训练权重与输入适配方式、微调策略、基线训练条件，以及 16K 参数 CNN 的具体对应模型。实验协议、消融及统计信息尚未验证。