脑电（EEG）信号在被试、采集设备、电极配置和任务范式之间存在显著差异，高质量标注数据相对有限。脑电基础模型旨在通过大规模预训练学习可迁移的神经信号表征，为多类脑电分析任务提供通用的表征基础。已有模型在多类任务中展现出应用潜力，然而，脑电基础模型的进一步规模扩展仍缺少清晰的实验证据，参数规模与预训练数据规模对下游性能的影响有待分别考察。具体来说：
现有评测对强任务专用监督模型的覆盖仍不充分。部分基准主要比较不同基础模型，或仅纳入少量监督学习基线，难以充分评估基础模型相对于各脑电范式中具有竞争力的专用模型的优势。不同研究在输入表征、下游数据集和适配协议上的差异，也限制了评测结果的可比性。因此，需要覆盖多类脑电范式、纳入强监督学习基线的大规模评测，以明确脑电基础模型的整体性能与适用范围。
预训练带来的独立贡献及其适用条件，也需要进一步厘清。不同模型的性能差异可能同时受到架构、参数量、预训练数据和训练策略的影响。缺少架构匹配的从零训练对照，便难以可靠区分预训练与模型设计各自带来的收益。仅报告最终任务性能，也不足以说明预训练如何影响早期优化，以及这些收益如何随下游标注数据量变化。
脑电基础模型是否值得进一步Scale，成为当前社区广泛讨论但仍未解决的问题。现有模型在参数量、预训练数据规模和训练策略上存在多重差异，模型间的性能比较难以直接揭示各因素的作用。增加参数量能否稳定改善下游表现？在固定模型架构的条件下，扩大预训练数据能否带来持续收益？社区是否要投入更多的资源，使用更大规模数据、预训练更大规模的模型？对这两个问题的分别考察，有助于为后续模型设计、数据建设与计算资源投入提供依据。
图 1：EEG-Arena 评测模型、数据集、任务覆盖、评测协议
围绕上述问题，香港理工大学、利物浦大学和西交利物浦大学研究团队联合提出 EEG-Arena，对现有脑电基础模型开展大规模、多维度的评测。研究覆盖：
🧠 30个脑电基础模型，25个监督学习基线；
🏭 23个公开数据集，57项下游任务，7类脑电范式；
🛠 5套评测协议，超过 20,000次评测。
EEG-Arena 在广泛的模型与任务覆盖基础上，结合强任务专用基线比较、架构匹配的预训练对照，以及固定架构的数据规模扩展实验，分别考察基础模型的整体优势、预训练收益与进一步规模扩展的潜力。我们希望回答五个主要研究问题：
RQ1：脑电基础模型能否在多类脑电任务中优于强任务专用监督学习基线？
RQ2：预训练如何影响早期优化与最终下游性能，其收益如何随标注数据量变化？
RQ3：脑电基础模型的参数规模与下游性能是否呈现一致的正向关系？
RQ4：在固定模型架构下，扩大预训练数据规模能否持续提升下游性能？
RQ5：输入通道减少时，通道灵活型与通道受限型模型的下游表现有何差异？
如图 2 所示，我们建立了五套基准测试协议，分别考察（Protocol I）基础模型与监督学习基线的性能差异、（Protocol II）不同标注预算下的预训练收益，（Protocol III）预训练模型参数规模、（Protocol IV）预训练数据规模 、（Protocol V）以及通道配置变化对性能的影响。
图 2：EEG-Arena 五维评测设计
根据评测结果，我们的主要发现可总结为五点：
1）脑电基础模型在多数受测任务上已优于强监督学习基线
EEG-Arena 纳入了面向不同脑电范式的强监督学习基线，采用平均排名（Average Rank）和 进入前五名的任务数量（Top-5 Count），对模型的整体表现进行比较，并分别报告双极与非双极配置下的结果，测试结果如图 3 所示。
图 3：双极与非双极配置下，脑电基础模型与监督学习基线的平均排名及Top-5任务数量。平均排名数值越低，整体排名表现越好。
结果显示，脑电基础模型在多数受测任务上取得更好的性能，优势在非双极配置下尤其明显。在被试内（WS）与跨被试（CS）评测中，基础模型在平均排名上均呈现整体优势，为其在多类脑电任务中的应用价值提供了实验支持。
Protocol I完整评估结果 （更多的评测结果可详见： eeg.fm）
2）预训练可以在下游任务中，改善早期优化与最终下游性能；更多的下游监督数据，有助于将预训练表征转化为更高的性能收益。
为区分模型架构与预训练的贡献，研究采用架构匹配的对照实验，比较预训练后全参数微调（Full-FT）与随机初始化后的监督训练（Scratch-ST）。两种设置采用相同的主干架构与预测头。
图 4：预训练收益分析。（a）预训练后微调与从零训练的学习曲线；（b）不同标注数据预算下的最终性能增益。
如图 4(a) 所示，在完整标注数据条件下，10个受测模型中有8个在首轮训练后获得正向平均增益（全参数微调 - 随机初始化监督训练），全部 10 个模型在训练结束时获得正向平均增益。如图 4(b) 所示，随着下游标注数据比例从 2%增加到 100%，平均最终增益从 0.4% 提升至 8.2%。
这些结果表明，预训练能够改善下游适配的早期优化，并提升最终任务性能。更充分的下游监督，有助于将预训练表征转化为幅度更大、更加一致的性能收益。
3）脑电预训练模型参数规模与下游性能未呈现一致的正向关系
我们评测了在全参数微调（Full-FT）和线性探测（Linear Probe）两种适配方式下，模型参数量与平均下游性能的关系。评测结果如图 5 所示。
图 5：模型参数规模与平均下游性能的关系。（a）全参数微调；（b）线性探测。结果分别在双极与非双极配置下统计。
结果显示，当前受测脑电基础模型未呈现一致的正向参数规模扩展趋势。部分模型系列中的较小版本取得了更高的平均性能，增加参数量并未稳定带来下游收益。
4）固定架构下，增加预训练数据量能带来持续的性能提升
为考察预训练数据规模的作用，研究固定 REVE-base 架构（Protocol I 非导联设置下的 Top 1 模型）、参数量、预训练目标和优化算法，将预训练数据从 600小时 逐步扩展至 30,000小时，并在所有任务上进行重新评估。
图 6：练数据规模扩展实验，不同数据规模下的下游性能
如图 6 所示，随着预训练数据规模扩大，全参数微调后的平均下游性能持续提升。相较于600小时预训练，30,000小时预训练在被试内评测中提升6.69个百分点，在跨被试评测中提升4.22个百分点。
图 7：预训练数据规模扩展实验。（b）微调引起的相对参数位移与输出表征变化；（c）逐层表征变化。
我们进一步分析了模型内部、输出表征方面的变化。如图 7 所示，分析发现，更大规模预训练对应更小的相对参数位移和更大的模型输出表征变化；下游适配引起的表征调整，也从末端层逐步扩展至中间层。这组受控实验为继续扩大脑电预训练数据规模提供了直接依据。
5）通道灵活型模型在多数通道配置下具有更高性能
面向不同采集系统与可用电极条件，模型还需适应通道配置变化。输入通道减少时，不同通道输入策略对下游性能的影响同样需要系统评估。针对通道配置变化，研究在优先保留任务相关电极的条件下，逐步减少输入通道，比较通道灵活型（channel-flexible）与通道受限型（channel-constrained）模型的表现。
图 8：不同通道保留比例下，两类脑电基础模型的平均下游性能。
结果显示（图 8），通道灵活型模型在多数受测通道配置下取得了更高的绝对下游性能。这类模型能够适配不同通道子集与空间布局，其性能优势为灵活通道输入策略的应用价值提供了支持，也提示模型选型应充分考虑目标采集系统的通道配置。
EEG-Arena 通过大规模评测验证了脑电基础模型的下游应用价值，并为预训练收益、模型规模与数据规模扩展提供了系统性证据。在本研究的受控实验中，我们发现，扩大预训练数据规模将带来持续收益，为后续脑电基础模型的发展提供了明确的研究方向。
为支持未来的脑机大模型的进一步扩展与公平评测，我们公开了 EEG.FM 网站（https://eeg.fm），支持实验复现、模型比较，以及新模型、新数据集和新评测协议的接入。研究者可结合任务类型、标注数据量、通道配置和计算预算，评估模型在具体场景中的适用性。
图 9：EEG-Arena 排行榜页面
我们正全力整合完整评测工具。目前，我们已整理并上传完成 EEG-Arena 评测所需的下游数据集（已标准化，可直接进行下游评测或更多研究），可在 EEG.FM 网站进行申请、下载（图10）。
图 10：EEG-Arena Benchmark 页面
我们的数据工具 NeuroDoc 已成功被录用于 NeurIPS 2026，可在 EEG.FM 网站了解更多工具详情（图11）。
图 11：NeuroDoc 工具包页面
目前，我们正积极整合 NeuroDoc 与 EEG-Arena 为覆盖数据预处理、模型标准化库、模型基准评测、数据审核工具的全栈工具 —— NeuroInfra。
题目：Benchmarking EEG Foundation Models at Scale: Lessons from 20,000 Evaluations
作者：Zhige Chen, Shu Peng, Chengxuan Qin, Rui Liu, Rui Yang, Kay Chen Tan, Jibin Wu
论文地址：https://arxiv.org/abs/2609.32743
在线 EEG-Arena 排行榜：https://eeg.fm
基准测试平台：https://eegarena.eeg.fm
标准化数据工具包：https://neurodoc.eeg.fm
脑机接口社区是国内首家脑机接口(BCI)产业服务平台、国内脑机接口新媒体开创者与引领者。主要为企业、科研团队、投资机构和从业者提供以下服务：
宣传报道：图文、短视频、直播形式报道企业动态、技术解读、产品介绍等内容，提升曝光和行业影响力。
资源对接：根据需求匹配资本、供应链、临床机构、渠道方等资源，完成真实对接，促进合作。
成果转化：协助技术团队寻找产业方、投资人及落地场景，推动技术到产品的转化。
活动策划执行：承接线上线下路演、沙龙、论坛等活动的策划与执行。
其他定制需求：包括报告定制、市场调研、人才招聘支持等个性化服务。
合作洽谈，请联系微信：ZuoLeiLeiya
（备注：姓名-单位-合作）
投稿丨成为创作者，请联系微信：RoseBCI
🌟星标置顶🌟
不错过每一条脑机前沿进展
一键三连「分享」、「点赞」和「在看」
欢迎在评论区聊聊
