Are EEG Foundation Models Worth It? Comparative Evaluation with Traditional Decoders in Diverse BCI Tasks

ABSTRACT

中文摘要

基础模型近期成为学习可泛化 EEG 表征、服务脑机接口的一种有前景方法，但它们相对传统方法，尤其经典非神经方法的真实优势仍不清楚。我们在多种数据集、解码任务和六种评价协议下，对先进 EEG 基础模型进行全面基准评估，并使用严格统计检验。我们提出时空 EEGFormer（ST-EEGFormer），一个简单有效的 ViT 基线，仅通过超过八百万 EEG 片段上的掩蔽自编码预训练。结果表明，微调基础模型在数据丰富的群体水平设置中表现良好，但在数据稀缺场景下，经常无法显著超过紧凑神经网络，甚至经典非神经解码器。此外，线性探针始终较弱，不同下游任务的性能差异很大，神经解码网络之间也未观察到清晰的规模定律。这些结果暴露了预训练与下游微调之间的明显缺口，复杂预训练目标的收益往往因此削弱。我们进一步识别出影响表现的隐含架构因素，强调透明且统计严格的评价需求。总体而言，本研究呼吁共同建设大规模 EEG 数据集及公平、可复现基准，以推动 EEG 基础模型发展。