面向新用户的 EEG 基础模型校准：区分个体收益与群体收益

基于摘要分析。该研究考察 EEG 基础模型面向新用户校准时，性能提升究竟来自个体适配，还是群体模型尚未充分训练。作者冻结 CBraMod、REVE 和 LaBraM，在三个运动想象数据集的 235 名留出被试上评估个人适配器，并同时与群体模型及其他被试训练的适配器进行比较。 核心评估逻辑是：相对群体模型的提升衡量适配后的总体收益，而相对交换适配器的提升进一步检验参数与目标被试的匹配价值。作者报告，使用各被试会话前半段的全部标签进行校准时，在全部九种模型—数据集组合中，个人适配器相对群体模型的平均 Balanced Accuracy 提升为 1.5–5.4 个百分点，相对交换适配器提升为 2.3–7.3 个百分点。摘要未明确测试数据的具体划分，不能据此补写为跨会话评估。 作者报告，将群体训练预算增加至原来的四倍后，个人适配收益的中位数仍为正，范围为 1.0–2.0 个百分点，但每个模型的收益均缩小，且没有群体模型达到经确认的性能平台期。这表明，个体收益的解释需要结合群体训练预算，而不能只依据单一群体基线。 低成本校准的结果较不稳定：作者报告，少标签校准仅在一个数据集上持续保持非负收益；针对 CBraMod，无标签上下文和元学习初始化均未优于匹配对照。这些结论不宜外推至其他模型或所有低成本校准方法。 复现时需核对数据集名称、留出被试与测试划分、适配器结构及训练目标、交换适配器的匹配方式、群体训练预算定义，以及收益的统计不确定性。实验协议、消融及统计信息尚未验证。