EEG 基础模型的受控评估：随机初始化、频带功率与基于验证集选择的探针

arXiv:2610.32067v1 公告类型：new 摘要：EEG 基础模型据称能够提升下游任务表现，但其评估方案很少包含以下三种控制：使用同一未训练的编码器、在相同数据上拟合的频谱特征，以及不参考测试分数而选定的层。因此，我们在统一协议下评估了五个公开发布的 EEG 基础模型和一个内部开发的 JEPA-style 模型；该协议包含这三种控制和多个随机种子，覆盖五个基准以及新增的四类任务。这些控制从三个方面改变了结果解读。第一，根据测试分数选择探测层，会使逐层峰值平均提高 +0.034，并在 36 个单元中的 9 个单元中逆转峰值与输出之间的差距。第二，在基于验证集选择层的情况下，对于睡眠和情绪任务，有一半模型的随机初始化表现与预训练相当或更好；在情绪或运动想象任务上，没有任何模型超过五频带对数功率基线。第三，在进行完全微调后，30 个配对中只有 5 个的增益超过其随机种子波动范围的两倍，而唯一明显的损失（-0.290 AUROC）在学习率匹配后仍然存在。基于这些结果，我们提出四项报告实践，并发布每个实验单元的结果以供重新分析。