🤖 machine learning

Channel Adaptation for EEG Foundation Models: A Systematic Benchmark Across Architectures, Tasks, and Training Regimes

Dit onderzoek biedt een systematische vergelijking van verschillende methoden voor kanaalaanpassing bij EEG-fundamentele modellen en concludeert dat de optimale strategie afhankelijk is van de specifieke modelarchitectuur, taak en trainingsmethode.

Oorspronkelijke auteurs: Kuntal Kokate, Bruno Aristimunha, Dung Truong, Arnaud Delorme

Gepubliceerd 2026-04-28

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Kuntal Kokate, Bruno Aristimunha, Dung Truong, Arnaud Delorme

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een wereldberoemde chef-kok bent (het EEG Foundation Model). Je bent getraind om de allerbeste gerechten te maken, maar je bent gewend om te werken in een keuken met een heel specifieke indeling: de messen liggen links, de pannen rechts en de kruiden staan in een specifieke volgorde.

Nu komt het probleem: je wordt ingehuurd bij verschillende restaurants over de hele wereld. In het ene restaurant liggen de messen op de vloer, in het andere zijn de pannen drie keer zo groot, en in het derde restaurant hebben ze helemaal geen kruidenkastje.

Hoe zorg je ervoor dat je nog steeds die sterrenchef blijft, ongeacht de chaos in de nieuwe keuken? Dat is precies waar dit wetenschappelijke onderzoek over gaat.

De Kern van het Probleem: De "Keuken-indeling"

EEG-modellen zijn slimme computerprogramma's die hersengolven (EEG) lezen. Maar elk onderzoek gebruikt een andere set sensoren op het hoofd. De ene onderzoeker gebruikt 19 sensoren, de andere 64. Voor een computer is dit een ramp: het is alsof je een recept probeert te volgen, maar de ingrediënten komen in een totaal andere volgorde binnen.

Dit onderzoek kijkt naar de beste manieren om die "verschillende keukens" (de sensoren) aan te passen aan de "chef-kok" (het AI-model).

De Vier "Keuken-hulpjes" (De Adaptatiemethoden)

De onderzoekers testten vier manieren om de chaos te ordenen:

De Snelle Vertaler (Conv1d): Dit is een simpel hulpje dat de ingrediënten gewoon snel in een nieuwe volgorde zet. Het kijkt niet naar waar de sensoren op het hoofd zitten, het kijkt alleen naar de data. Snel, maar soms een beetje dom.
De Wiskundige Cartograaf (SSI): Dit hulpje gebruikt een 3D-kaart van het hoofd. Als er een sensor mist, "tekent" hij die erbij op basis van de sensoren die er wel zijn. Heel slim en natuurkundig correct.
De Globale Blik (OmnEEG): Dit hulpje kijkt niet naar losse sensoren, maar naar het hele hoofd als één grote glooiing, zoals een landschap. Ideaal voor het zien van grote patronen, zoals depressie.
De Schoonmaker (Riemannian): Dit hulpje zorgt ervoor dat de "sfeer" van de data altijd hetzelfde is, zodat de chef-kok niet wordt afgeleid door de ruis in de keuken.

Wat hebben ze ontdekt? (De Belangrijkste Resultaten)

1. De "Starre" vs. de "Flexibele" Chefs
Sommige AI-modellen zijn starre chefs (zoals BENDR). Als de keuken niet precies is zoals ze gewend zijn, weigeren ze te werken. Zij hebben echt een hulpje nodig om de ingrediënten te ordenen.
Andere modellen zijn flexibele chefs (zoals CBraMod). Zij kunnen bijna elke keuken aan en passen zich direct aan.

2. De "Tegendraadse" Training (Probe vs. SFT)
Dit was een verrassende ontdekking. Er zijn twee manieren om een chef te trainen:

De 'Probe' (De Chef laten staan): Je geeft de chef een nieuwe keuken, maar hij mag zijn eigen technieken niet veranderen. Hij gebruikt alleen zijn hulpje. Dit werkt vaak heel goed.
De 'SFT' (De Chef laten meedraaien): Je laat de chef én het hulpje tegelijkertijd nieuwe trucjes leren.
Het probleem: Bij de flexibele chefs ging dit vaak mis! Het hulpje en de chef raakten in de war van elkaar en begonnen tegenstrijdige dingen te doen. Het was alsof de chef en de assistent tegelijkertijd probeerden het recept te schrijven, waardoor het eindresultaat een rommeltje werd.

3. De Kleine Kampioen
Je zou denken: hoe groter het model, hoe beter. Maar de onderzoekers ontdekten dat een klein, compact model (CBraMod) vaak beter presteerde dan gigantische modellen die wel 31 keer zo groot waren! Het is de "compacte keukenmachine" die het wint van de enorme industriële fabriek.

Conclusie in gewone taal

Als je een AI-model wilt gebruiken voor hersenonderzoek, moet je niet zomaar wat aanklooien.

Is je model star? Gebruik een hulpje.
Is je model flexibel? Laat het model het zelf doen, want een hulpje kan de boel juist in de war schoppen tijdens het trainen.
Wil je depressie meten? Kijk dan naar het "landschap" van de hersenen in plaats van naar losse puntjes.

Technische Samenvatting: Channel Adaptation for EEG Foundation Models

1. Het Probleem (The Problem)

De eerste generatie EEG foundation models (zoals BENDR en Neuro-GPT) is getraind op specifieke elektrodenconfiguraties (montages), bijvoorbeeld een vast aantal kanalen (bijv. 20 of 22). In de praktijk gebruiken downstream-datasets echter vaak andere aantallen kanalen (bijv. 22, 64 of 21) en andere lay-outs.

Er is momenteel een gebrek aan systematisch onderzoek naar hoe deze variabiliteit in kanaalaantallen en electrode-posities het beste kan worden opgevangen. De keuze voor een "adaptatie-laag" (de methode die het signaal van de bron-montage naar de verwachte input van het model vertaalt) is cruciaal voor de effectiviteit van de transfer learning.

2. Methodologie (Methodology)

De auteurs voeren de eerste systematische benchmark uit door vier adaptatiemethoden te vergelijken over vijf verschillende EEG-foundation modellen, vijf datasets en twee trainingsregimes.

De vier adaptatiemethoden:

Learned projection (Conv1d): Een leerbare $1 \times 1$ convolutie die kanalen lineair mengt.
Spatial interpolation (SSI): Een natuurkundig gebaseerde reconstructie van kanalen met behulp van 3D-elektrodeposities en sferische splines.
Source-space decomposition (OmnEEG): Projectie van signalen naar een topologie-onafhankelijke representatie van 25 sferische harmonische coëfficiënten.
Geometric domain adaptation (Riemannian re-centering): Het uitlijnen van distributies op de SPD-manifold via per-subject whitening.

Experimentele opzet:

Modellen: Een breed scala aan architecturen (van 5M tot 157M parameters), variërend van rigide (vaste kanalen) tot flexibele modellen (variabele kanalen).
Trainingsregimes:
1. Probe (Frozen encoder): Alleen de classificatiekop wordt getraind; de rest van het model blijft bevroren.
2. SFT (Supervised Fine-Tuning): Alle parameters van het model worden getraind.
Datasets: Vijf diverse datasets die vier taken dekken: motorische verbeelding, klinische gebeurtenisdetectie, emotieherkenning en depressiescreening.

3. Belangrijkste Bijdragen (Key Contributions)

Systeemvergelijking: De eerste grootschalige vergelijking van adaptatiemethoden over verschillende architecturen en taken heen.
Rigide vs. Flexibele Dichotomie: Het identificeren van een fundamenteel verschil in hoe modellen omgaan met montage-variatie.
Probe-SFT Asymmetrie: Het ontdekken dat externe adaptatiemethoden tijdens fine-tuning (SFT) schadelijk kunnen zijn voor flexibele modellen (negatieve transfer).
Architectuur-afhankelijke optimalisatie: Het aantonen dat de "beste" methode niet universeel is, maar afhangt van de specifieke architectuur van het model.

4. Resultaten (Results)

Rigide modellen (BENDR, Neuro-GPT): Deze moeten externe adaptatie gebruiken om überhaupt te kunnen functioneren bij afwijkende kanaalaantallen. Voor Neuro-GPT werkt de combinatie van SSI en Riemannian re-centering het best.
Flexibele modellen (EEGPT, LUNA, CBraMod): Deze kunnen variabele kanalen van nature aan. Bij fine-tuning presteren ze vaak beter met hun "native" methode dan met externe adaptatie. Echter, bij frozen encoder deployment (wanneer het model niet getraind wordt) profiteren ze wel van externe methoden.
Negatieve Transfer: Bij 24,8% van de SFT-experimenten presteerde het model slechter na fine-tuning dan tijdens de probe-fase wanneer externe adaptatie werd gebruikt. Dit komt doordat de adaptatielaag en de interne parameters van het model tegenstrijdige optimalisatiedoelen krijgen.
Source-space decomposition: Deze methode is uitstekend voor klinische taken zoals depressiedetectie (MDD), omdat het globale patronen (zoals hemisferische asymmetrie) behoudt, maar minder geschikt is voor taken die lokale sensorimotorische details vereisen.
Model-schaal: De schaal van het model (aantal parameters) is geen voorspeller voor prestaties. Het compacte CBraMod (5M parameters) presteerde op 4 van de 5 datasets beter dan de veel grotere modellen, wat suggereert dat EEG-specifieke architecturen zeer efficiënt kunnen zijn.

5. Betekenis (Significance)

Dit onderzoek biedt praktische richtlijnen voor de implementatie van EEG-modellen in de echte wereld:

Voor deployment met een bevroren model: Gebruik externe adaptatie (Conv1d voor sommige, Riemannian voor andere).
Voor fine-tuning: Gebruik bij flexibele modellen de ingebouwde (native) mechanismen om schade aan de representaties te voorkomen.
Voor klinische toepassingen: De resultaten tonen aan dat specifieke methoden (zoals source-space decomposition) superieur kunnen zijn voor het detecteren van brede biomarkers zoals bij depressie.

Het werk legt de basis voor een meer gestandaardiseerde aanpak bij het integreren van diverse EEG-bronnen in grootschalige foundation modellen.