一项新的研究论文评估了六个脑电图基础模型在各种临床解码任务和数据集上的鲁棒性和可迁移性。研究发现，这些模型的性能对评估单元、数据集变化以及所用比较模型的强度高度敏感。在一些情况下，随机初始化的编码器在临床解码任务上的表现优于预训练的基础模型，尤其是在与痴呆症和阿尔茨海默病诊断相关的任务中。该研究强调了在评估脑电图基础模型的临床效用时，严格的压力测试和目标阴性对照的至关重要性。 AI
影响 强调了在临床应用中对脑电图基础模型进行严格评估和控制方法的必要性。
排序理由 arXiv上发表的研究论文，详细介绍了对现有模型的评估。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.24519v1 Announce Type: cross Abstract: 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, …
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 fou…