面向 EEG 基础模型的信道适应：在架构、任务与训练方案上的系统基准
机器学习
2026-04-28 v1
摘要
规模化 EEG 基础模型需要跨异构电极布局汇聚数据，这既是更大预训练语料库的前提，也是下游部署的前提。我们首次系统比较四种信道适应方法（Conv1d 投影、球面样条插值（SSI）、源空间分解和黎曼中心化）在五个预训练 EEG 基础模型（参数规模从 50 万到 1.57 亿）、五个下游任务以及两种训练方案（每种方案 10--15 个随机种子）下的表现。我们发现刚性布局模型（BENDR、Neuro-GPT）需要外部适应，而灵活模型（EEGPT、CBraMod）在微调时原生匹配或超越外部适应，但在冻结编码器部署时受益于外部方法。存在一种探针-SFT 非对称性：外部适应可能在灵活模型的微调期间导致严重的负迁移。最佳方法取决于架构（BENDR 用 Conv1d，Neuro-GPT 用 SSI/黎曼，抑郁检测用源空间分解），且 50 万参数的 CBraMod 在 4/5 数据集上超越了规模最高可达 31 倍的模型，与独立研究表明紧凑型 EEG 特定架构能够匹配更大模型的发现相一致。
引用
@article{arxiv.2604.23091,
title = {Channel Adaptation for EEG Foundation Models: A Systematic Benchmark Across Architectures, Tasks, and Training Regimes},
author = {Kuntal Kokate and Bruno Aristimunha and Dung Truong and Arnaud Delorme},
journal= {arXiv preprint arXiv:2604.23091},
year = {2026}
}