EEG-HealthLLM：面向异构脑电健康评估的分层适配框架

分层适配让单一 LLM 统一处理多类脑电健康评估任务。

资讯摘要

论文提出 EEG-HealthLLM，用于统一异构脑电（EEG）健康评估。方法采用非对称分层适配：任务专属 EEG 适配器保留各任务时空动态，共享 LoRA 注入 Phi-3 等 LLM 主干以捕捉跨任务高层语义。作者还构建 EEG-HealthBench，整合五个 EEG 资源，覆盖癫痫检测、抑郁症、焦虑风险、抑郁症状风险与情绪状态评估。实验报告平均平衡准确率 69.58%，在对比方法中平均 BAC 与 macro-F1 均列第一；相比单任务独立 LoRA，BAC 从 67.70% 升至 69.58%，语言侧适配器总量减少 80.0%。代码已公开。

要点速读

1. 提出非对称分层适配：任务专属 EEG 适配器加 LLM 主干共享 LoRA，基于 Phi-3。
2. 构建 EEG-HealthBench，统一受试者独立协议下整合五个 EEG 资源、五类评估任务。
3. 作者报告平均 BAC 69.58%，较单任务 LoRA 提升 1.88 个百分点，语言侧适配器总量减少 80.0%。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。