Adaptación en Tiempo de Prueba para Modelos Fundacionales de EEG: Un Estudio Sistemático bajo Cambios de Distribución del Mundo Real
Test-Time Adaptation for EEG Foundation Models: A Systematic Study under Real-World Distribution Shifts
April 18, 2026
Autores: Gabriel Jason Lee, Jathurshan Pradeepkumar, Jimeng Sun
cs.AI
Resumen
Los modelos fundacionales de electroencefalografía (EEG) han mostrado un gran potencial para aprender representaciones generalizables a partir de datos neuronales a gran escala. Sin embargo, su implementación clínica se ve dificultada por los cambios de distribución entre entornos clínicos, dispositivos y poblaciones. La adaptación en tiempo de prueba (TTA) ofrece una solución prometedora al permitir que los modelos se adapten a datos objetivo no etiquetados durante la inferencia, sin acceso a los datos de origen, una propiedad valiosa en entornos sanitarios restringidos por normativas de privacidad y datos etiquetados limitados. No obstante, su eficacia para la EEG sigue estando en gran medida inexplorada. En este trabajo, presentamos NeuroAdapt-Bench, un benchmark sistemático para evaluar métodos de adaptación en tiempo de prueba en modelos fundacionales de EEG bajo cambios de distribución realistas. Evaluamos enfoques TTA representativos de otros dominios en múltiples modelos fundacionales preentrenados, diversas tareas secundarias y conjuntos de datos heterogéneos que abarcan cambios dentro de la distribución, fuera de la distribución y cambios de modalidad extremos (por ejemplo, Ear-EEG). Nuestros resultados muestran que los métodos TTA estándar producen ganancias inconsistentes y a menudo degradan el rendimiento, siendo los enfoques basados en gradientes particularmente propensos a una fuerte degradación. Por el contrario, los métodos libres de optimización demuestran una mayor estabilidad y mejoras más confiables. Estos hallazgos resaltan las limitaciones de las técnicas TTA existentes en EEG, proporcionan orientación para el desarrollo futuro y subrayan la necesidad de estrategias de adaptación específicas del dominio.
English
Electroencephalography (EEG) foundation models have shown strong potential for learning generalizable representations from large-scale neural data, yet their clinical deployment is hindered by distribution shifts across clinical settings, devices, and populations. Test-time adaptation (TTA) offers a promising solution by enabling models to adapt to unlabeled target data during inference without access to source data, a valuable property in healthcare settings constrained by privacy regulations and limited labeled data. However, its effectiveness for EEG remains largely underexplored. In this work, we introduce NeuroAdapt-Bench, a systematic benchmark for evaluating test-time adaptation methods on EEG foundation models under realistic distribution shifts. We evaluate representative TTA approaches from other domains across multiple pretrained foundation models, diverse downstream tasks, and heterogeneous datasets spanning in-distribution, out-of-distribution, and extreme modality shifts (e.g., Ear-EEG). Our results show that standard TTA methods yield inconsistent gains and often degrade performance, with gradient-based approaches particularly prone to heavy degradation. In contrast, optimization-free methods demonstrate greater stability and more reliable improvements. These findings highlight the limitations of existing TTA techniques in EEG, provide guidance for future development, and underscore the need for domain-specific adaptation strategies.