神经科学与认知科学
突破级
暂无讲解视频
核心要点
- 问题/背景
- 这篇论文关注 EEG foundation model 的评估失真：许多模型只在完整 fine-tuning 和理想下游数据上比较，无法反映真实神经技术和临床场景中的低标签、少通道和参数受限条件。
- 方法/机制
- 论文提出多维 generalization 评估框架，系统比较 LaBraM、CSBrain、CBraMod 等模型在多数据集、低资源、传感器裁剪和参数高效适配下的迁移表现。
- 结果/证据
- 它值得收录，因为 EEG 基础模型正在快速增加，但领域缺少统一、现实约束下的评测接口；这篇提供了可复用 benchmark thinking，而不是又一个单任务分类器。
- 收录价值
- 按当前收录规则，它属于评测框架型突破；但作为预印本，指标设计、数据覆盖和对新 EEG foundation model 的持续更新能力仍需观察。
论文摘要
本文提出了一种多维评估框架，用于在现实的低资源条件下评估EEG基础模型，测试适应策略、有限标签、传感器覆盖减少、参数高效方法以及在多个EEG数据集和模型之间进行跨数据集迁移。
英文原文
This paper proposes a multi-dimensional evaluation framework for EEG foundation models under realistic low-resource conditions, testing adaptation regimes, limited labels, reduced sensor coverage, parameter-efficient methods, and cross-dataset transfer across multiple EEG datasets and models.