EEG基础模型的大规模基准评估：来自20,000次评估的经验

基于摘要分析。该研究考察EEG基础模型相较强监督基线是否具有可迁移优势，以及扩大模型和预训练数据规模能否持续改善下游表现。作者提出开源评估框架EEG-Arena，覆盖30个EEG基础模型、25个监督基线，以及来自23个公开数据集的57项下游任务，在五种实验协议下开展超过20,000次评估。 评估围绕下游性能、预训练收益、模型参数规模、预训练数据规模及通道配置鲁棒性展开。作者报告，在所评估的大多数任务上，EEG基础模型优于强任务专用监督基线，尤其是在非双极设置下；与架构匹配的监督式从头训练相比，预训练同时改善早期优化与最终下游性能，且随着下游标注数据增加，收益更大、更稳定。这一结论的适用前提是摘要所述对照与评估范围，不能直接外推为所有小样本任务均有同等收益。 关于扩展规律，作者报告，现有EEG基础模型的参数量与下游性能之间未呈现一致的正向关系；而在固定架构条件下，增加预训练数据规模带来了持续的下游收益。作者还报告，在大多数受测通道配置中，通道灵活型基础模型的绝对性能高于通道受限模型。这些结果支持进一步检验数据扩展与通道适应能力的价值，但尚不足以推出单纯扩大参数规模无效，或所有通道灵活型架构均更优。 作者称已开源EEG-Arena，以提供可复现评估和模型比较的共享基础设施。摘要未列出五种协议的具体定义、任务与数据集清单、性能指标及效应大小；被试内、跨被试、跨会话或跨数据集划分、预训练与下游数据的隔离方式、适配策略、消融及统计信息尚未验证。复现时应重点核对这些条件，以及通道设置和训练预算是否足以支持相应比较；不能将不同协议下的结果直接合并解读。