Adaptation au moment du test pour les modèles de fondation en EEG : une étude systématique sous les décalages de distribution en conditions réelles

Test-Time Adaptation for EEG Foundation Models: A Systematic Study under Real-World Distribution Shifts

April 18, 2026

Auteurs: Gabriel Jason Lee, Jathurshan Pradeepkumar, Jimeng Sun

cs.AI

Résumé

Les modèles de fondation en électroencéphalographie (EEG) ont démontré un fort potentiel pour l'apprentissage de représentations généralisables à partir de données neurales à grande échelle. Cependant, leur déploiement clinique est entravé par les décalages de distribution entre les contextes cliniques, les dispositifs et les populations. L'adaptation au moment du test (TTA) offre une solution prometteuse en permettant aux modèles de s'adapter à des données cibles non étiquetées lors de l'inférence, sans accès aux données sources – une propriété précieuse dans les contextes de santé soumis à des réglementations sur la confidentialité et à un manque de données annotées. Pourtant, son efficacité pour l'EEG reste largement inexplorée. Dans ce travail, nous présentons NeuroAdapt-Bench, un benchmark systématique pour évaluer les méthodes d'adaptation au moment du test sur des modèles de fondation EEG soumis à des décalages de distribution réalistes. Nous évaluons des approches TTA représentatives issues d'autres domaines, sur plusieurs modèles de fondation pré-entraînés, diverses tâches en aval et des ensembles de données hétérogènes couvrant des décalages en distribution, hors distribution et des changements de modalité extrêmes (par exemple, EEG-auriculaire). Nos résultats montrent que les méthodes TTA standard produisent des gains inconstants et dégradent souvent les performances, les approches basées sur le gradient étant particulièrement sujettes à une forte détérioration. En revanche, les méthodes sans optimisation démontrent une plus grande stabilité et des améliorations plus fiables. Ces résultats soulignent les limites des techniques TTA existantes pour l'EEG, fournissent des orientations pour leur développement futur et mettent en évidence la nécessité de stratégies d'adaptation spécifiques au domaine.

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.