arXiv（brain-computer interface）·· 26 天前AI 评分31
校准 EEG 基础模型时如何区分个人增益与群体增益：CBraMod、REVE、LaBraM 在 235 名受试者上的评估
Separating personal from population gains when calibrating EEG foundation models for new users
AI 导读
研究在三个运动想象数据集的 235 名留出受试者上评估了 CBraMod、REVE 和 LaBraM 三个冻结 EEG 基础模型的个性化适配，使用全部前半程会话标签时，个人适配器较群体模型平均平衡准确率提升 1.5-5.4 个百分点，在全部九种模型-数据集组合中均优于交换适配器 2.3-7.3 个百分点。
AI 要点
团队
第一作者 Xilin Tao、末位作者 Kani Chen，共 2 位作者。
主要结果
235 名受试者、9 个模型-数据集组合中，个人适配器平均平衡准确率比群体模型高 1.5–5.4 个百分点，比交换适配器高 2.3–7.3 个百分点。
解决什么问题
区分脑机接口新用户校准中的真实个性化增益与更强的群体模型带来的假象。
方法
在三个运动想象数据集的 235 名留出受试者上，评估三个冻结 EEG 基础模型（CBraMod、REVE、LaBraM）的个人适配。
局限
从研究设计看，仅评估三个冻结 EEG 基础模型与三个运动想象数据集；群体训练预算增至四倍后增益变小，且无群体模型达到确认的平台期。
AI 依据原文整理，未经人工核对。
来源：arXiv（brain-computer interface） · arxiv.org