Stress-Testing EEG Foundation Models for Clinical Decoding: Dataset Identity and Targeted Negative Controls

📄 arXiv: 2607.24519v1 📥 PDF

作者: Marzieh Zare

分类: cs.LG, cs.AI, cs.NE

发布日期: 2026-07-27

💡 一句话要点

评估EEG基础模型在临床解码中的有效性与鲁棒性

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: EEG基础模型 临床解码 迁移学习 负控制 神经疾病 性能评估 数据集身份 模型鲁棒性

📋 核心要点

  1. 现有的EEG基础模型在不同人群间的迁移能力和对负控制的鲁棒性尚不明确，导致临床应用的有效性受到质疑。
  2. 本文通过基准测试六种EEG模型，评估其在不同临床任务中的表现，提出使用冻结线性探针的方法进行分析。
  3. 实验结果表明，冻结的REVE模型在多个任务中表现优异，尤其是在跨主体的癫痫检测中，AUROC达到0.793，显著高于随机初始化的编码器。

📝 摘要（中文）

随着预训练EEG基础模型在临床解码中的应用日益增多，其在不同人群间的迁移能力和对负控制的鲁棒性尚不明确。本文对六种模型（LaBraM、EEGMamba、CBraMod、REVE、BENDR和BIOT）在五个临床任务和四个数据集上的表现进行了基准测试。结果显示，冻结的REVE模型在韩国痴呆症任务中达到0.568的AUROC，优于随机初始化的编码器。数据集身份可以从冻结的嵌入中轻松解码，AUROC达到1.000，表明EEG基础模型的结论强烈依赖于评估单位、数据集变化和对照强度。

🔬 方法详解

问题定义：本文旨在解决预训练EEG基础模型在临床解码中的迁移能力和鲁棒性问题，现有方法在不同人群和任务中的有效性尚不明确。

核心思路：通过基准测试六种EEG模型，使用冻结线性探针评估其在多个临床任务中的表现，特别关注数据集身份和负控制的影响。

技术框架：研究采用了冻结的线性探针方法，结合留一主体法、主体分组法和显式记录级别分割，分析模型在不同任务和数据集上的表现。

关键创新：论文的创新在于系统性地评估了EEG基础模型在临床解码中的有效性，特别是通过对比随机初始化和经典特征，揭示了模型性能的依赖性。

关键设计：在实验中，使用了不同的对照方法，如随机初始化、随机特征、标签置换等，确保对模型性能的全面评估。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，冻结的REVE模型在韩国痴呆症任务中达到0.568的AUROC，而经典特征为0.769。在跨主体癫痫检测中，REVE模型的AUROC为0.793，超出随机初始化编码器9.2个百分点，表明其在临床应用中的潜力。

🎯 应用场景

该研究为EEG基础模型在临床解码中的应用提供了重要的实证依据，能够帮助医生更准确地进行疾病诊断和监测，尤其是在神经疾病领域。未来，这些模型可能会被广泛应用于个性化医疗和实时监测系统中。

📄 摘要（原文）

Pretrained EEG foundation models are increasingly proposed for clinical decoding, but their transfer across populations and robustness to negative controls remain unclear. We benchmark six models (LaBraM, EEGMamba, CBraMod, REVE, BENDR, and BIOT) on five clinical tasks across four datasets using frozen linear probes with leave-one-subject-out, subject-grouped, or explicitly identified recording-level splits. Selected REVE findings are tested against random initialisation, random features, label permutation, scrambled-label fine-tuning, and projection sensitivity. On Korean dementia (CAUEEG, three-way), frozen REVE reaches 0.568 AUROC versus 0.769 for classical features; the ordering persists on a patient-disjoint held-out split (0.565 versus 0.768). Dataset identity is readily decoded from frozen embeddings (AUROC 1.000 at PCA-50; 0.9998 after band restriction and per-epoch z-scoring), whereas the same PCA-50 pipeline decodes Korean diagnosis at 0.528. A randomly initialised encoder also outperforms pretrained REVE on this task (0.659 versus 0.570). On Alzheimer's disease, Gaussian random projection and PCA of the same pretrained embeddings perform similarly, and classical features nominally exceed REVE at the subject level. The clearest controlled positive is cross-subject ictal detection on CHB-MIT (n=23), where REVE achieves 0.793 AUROC, 9.2 percentage points above a randomly initialised encoder. These results show that EEG foundation-model conclusions depend strongly on evaluation unit, dataset shift, comparator strength, and targeted controls.