脳波基盤モデルに対するテスト時適応：実世界の分布シフト下での体系的研究

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

April 18, 2026

著者: Gabriel Jason Lee, Jathurshan Pradeepkumar, Jimeng Sun

cs.AI

要旨

脳波（EEG）基盤モデルは、大規模な神経データから一般化可能な表現を学習する強力な可能性を示しているが、その臨床展開は、臨床環境、デバイス、対象集団にわたる分布シフトによって妨げられている。テスト時適応（TTA）は、プライバシー規制やラベル付きデータの不足に制約される医療現場において貴重な特性である、ソースデータへのアクセスなしで推論中にラベルなしターゲットデータに適応することをモデルに可能にすることで、有望な解決策を提供する。しかし、そのEEGへの有効性は大部分が未解明のままである。本研究では、現実的な分布シフト下でのEEG基盤モデルに対するテスト時適応手法を評価するための体系的ベンチマークであるNeuroAdapt-Benchを紹介する。我々は、複数の事前学習済み基盤モデル、多様な下流タスク、およびインディストリビューション、アウトオブディストリビューション、極端なモダリティシフト（例：耳式EEG）を含む異種データセットにわたって、他の領域からの代表的なTTA手法を評価する。結果は、標準的なTTA手法が一貫した性能向上をもたらさず、むしろ性能を劣化させることが多く、特に勾配ベースの手法は大幅な劣化を起こしやすいことを示す。対照的に、最適化フリーの手法はより高い安定性と信頼性のある改善を示した。これらの知見は、EEGにおける既存のTTA技術の限界を浮き彫りにし、将来の開発のための指針を提供し、領域特化的な適応戦略の必要性を強調するものである。

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.