Adattamento al Momento del Test per Modelli Fondazione EEG: Uno Studio Sistematico sotto Spostamenti Distribuzionali del Mondo Reale
Test-Time Adaptation for EEG Foundation Models: A Systematic Study under Real-World Distribution Shifts
April 18, 2026
Autori: Gabriel Jason Lee, Jathurshan Pradeepkumar, Jimeng Sun
cs.AI
Abstract
I modelli di fondamento per l'elettroencefalografia (EEG) hanno dimostrato un forte potenziale nell'apprendere rappresentazioni generalizzabili da dati neurali su larga scala, tuttavia il loro dispiegamento clinico è ostacolato da cambiamenti di distribuzione tra contesti clinici, dispositivi e popolazioni. L'adattamento al tempo di test (TTA) offre una soluzione promettente, consentendo ai modelli di adattarsi a dati target non etichettati durante l'inferenza senza accesso ai dati sorgente, una proprietà preziosa in ambito sanitario, vincolato da normative sulla privacy e da dati etichettati limitati. Tuttavia, la sua efficacia per l'EEG rimane in gran parte inesplorata. In questo lavoro, introduciamo NeuroAdapt-Bench, un benchmark sistematico per valutare i metodi di adattamento al tempo di test sui modelli di fondamento EEG sotto cambiamenti di distribuzione realistici. Valutiamo approcci TTA rappresentativi da altri domini su molteplici modelli di fondamento pre-addestrati, vari compiti downstream e dataset eterogenei che coprono cambiamenti in-distribuzione, out-of-distribuzione e cambiamenti di modalità estremi (ad esempio, Ear-EEG). I nostri risultati mostrano che i metodi TTA standard producono guadagni inconsistenti e spesso degradano le prestazioni, con approcci basati sul gradiente particolarmente inclini a pesanti degradazioni. Al contrario, i metodi privi di ottimizzazione dimostrano una maggiore stabilità e miglioramenti più affidabili. Questi risultati evidenziano i limiti delle tecniche TTA esistenti nell'EEG, forniscono una guida per lo sviluppo futuro e sottolineano la necessità di strategie di adattamento specifiche per il 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.