버스트 억제 (Burst suppression, BS)는 중환자실 (ICU) 내의 위중한 환자, 특히 유도 혼수 상태 동안 진정 깊이와 뇌 활동을 모니터링하는 데 사용되는 임상적으로 유의미한 뇌전도 (electroencephalographic, EEG) 패턴입니다. BS 패턴은 환자마다 상당히 다르고 주석이 달린 데이터셋이 부족하기 때문에 자동 버스트 탐지는 여전히 어려운 과제로 남아 있습니다. 최근 EEG 파운데이션 모델 (Foundation Models, FMs)은 여러 다운스트림 EEG 애플리케이션에서 가능성을 보여주었으나, BS 탐지에 대한 유용성은 아직 탐구되지 않았습니다. 본 연구에서는 환자별 보정(calibration) 없이 축소된 몽타주(reduced-montage) ICU EEG에서의 버스트 탐지를 위해 EEG FMs를 평가하는 첫 번째 연구를 제시합니다. 우리는 REVE-base, LUNA-large, LuMamba-Tiny를 적응형 임계값(adaptive thresholding) 베이스라인 및 작업 특화형 EEGNet 베이스라인과 비교합니다. 또한, 기존의 EEG 윈도우 기반 분류를 이벤트 기반 버스트 탐지 평가로 보완합니다. 이는 버스트 에피소드가 정확하게 탐지되는지를 임상적으로 평가하는 데 도움을 주며, 예상되는 주석 변동성의 영향을 줄여줍니다. 가장 우수한 모델인 REVE-base는 가장 높은 이벤트 기반 F1-score ($0.868 ext{ extpm } 0.167$)를 달성하였으며, EEGNet 및 적응형 임계값 대비 분당 버스트 오류(burst-per-minute error)를 각각 52.1%와 36.2% 감소시켜, ICU 내 확장 가능한 EEG 모니터링을 위한 FMs의 활용 가능성을 뒷받침했습니다. 어블레이션 실험(Ablation experiments) 결과, 전체 미세 조정 (full fine-tuning)이 동결된 백본 (frozen-backbone) 학습, 2단계 미세 조정 (two-step fine-tuning), LoRA 기반 적응 (LoRA-based adaptation)과 비교했을 때 가장 효과적인 적응 전략임을 보여주었으며, LUNA-large의 경우 동결된 백본 학습 대비 이벤트 기반 F1-score를 최대 $+0.102$ 개선했습니다. 레이블이 지정된 데이터셋이 줄어든 상황에서도, 사전 학습된 REVE-base는 코호트의 25% 수준에서 무작위 초기화 (random initialization) 대비 이벤트 기반 F1 점수를 $+0.723$ 상회하며, 제한된 레이블 데이터로 버스트 탐지에 적응할 때 FM 표현 (representations)을 사전 학습하는 것의 이점을 입증했습니다.