What do EEG Foundation Models Capture from Human Brain Signals?

ABSTRACT

中文摘要

临床 EEG 分析依赖经过数十年完善的人工特征目录，例如频带功率、连接性、复杂度等。现代 EEG 基础模型绕过这个目录，通过自监督预训练直接从原始信号学习，并在多数临床基准上达到或超过特征工程基线。两种表征是否一致仍是开放问题，我们把它分解为三个子问题：模型学到了什么、模型使用了什么，以及有多少能够被解释。我们通过逐层岭回归探针、LEACE 式交叉协方差子空间擦除，以及与随机特征基线比较的透明分类器来回答这些问题。审计覆盖 CSBrain、CBraMod、LaBraM 三种基础模型，MDD、Stress、ISRUC-Sleep、TUSL、Siena 五项临床任务，以及六类 63 项特征词典。在 945 个模型—任务—特征单元中，648 个（68.6%）被归为表征因果，199 个（21.1%）仅被编码。跨任务共有 50 项特征被列为通用候选，它们在至少两项任务中获得全部三种架构的强支持。频域特征占主导，但其余五类也各自贡献了实质性的因果份额。已确认特征平均恢复了基础模型相对随机基线优势的 79.3%，且呈清晰任务梯度：MDD 约为 0.99，Stress 约为 0.56。接近性能上限的任务几乎可完全由词典恢复，而较难任务留下了不可忽略的残余，为未来概念发现指出具体目标。