固定计算预算下 EEG-FM 的参数高效自监督适配

通过自监督学习预训练的 EEG 基础模型有望获得可迁移表征，但其泛化能力仍然有限，尤其是在不同临床数据集之间。由于计算需求高，在资源受限的临床环境中进行全量微调并不现实。在这项工作中，我们研究参数高效的自监督适配是否足够，即仅更新 9% 的参数能否将表征对齐到目标任务。我们在两个采用不同预训练目标的最先进模型上评估了该方法：BIOT（对比学习）和 CBraMod（掩码重建），并在三个临床 EEG 数据集上进行评估，任务分别为异常检测（TUAB）、事件分类（TUEV）和癫痫发作检测（CHB-MIT），同时考察分布内和分布外两种条件。SSL 适配相较于线性探测带来了稳定提升，AUCPR 最高可达 20 倍。在固定计算预算下，实现峰值性能只需要可用无标注数据的 20--50%。关键的是，当总窗口数固定时，性能与患者数量无关，这表明性能仅依赖于整体时间窗口多样性。我们的研究结果表明，参数高效适配能够以最小的计算开销和数据采集负担，有效部署 EEG Foundation models（EEG-FM）。代码地址：https://github.com/c3n-group/efficient-eeg-adapt