EEG 파운데이션 모델의 테스트 시간 적응: 실제 분포 변화 환경에서의 체계적 연구

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

April 18, 2026

저자: Gabriel Jason Lee, Jathurshan Pradeepkumar, Jimeng Sun

cs.AI

초록

뇌전도(EEG) 파운데이션 모델은 대규모 뉴럴 데이터로부터 일반화 가능한 표현을 학습하는 강력한 잠재력을 보여주지만, 임상 환경, 장치 및 인구 집단 간 분포 변화로 인해 임상 적용이 제한되고 있습니다. 추론 시점 적응(Test-time adaptation, TTA)은 개인정보 보호 규정과 제한된 레이블 데이터로 인한 제약이 있는 의료 환경에서 매우 유용한 특성으로, 소스 데이터에 접근하지 않고 추론 과정에서 레이블이 없는 대상 데이터에 모델을 적응시킬 수 있는 유망한 해결책을 제공합니다. 그러나 뇌전도에 대한 TTA의 효과성은 아직 크게 연구되지 않았습니다. 본 연구에서는 현실적인 분포 변화 하에서 뇌전도 파운데이션 모델의 추론 시점 적응 방법을 평가하기 위한 체계적인 벤치마크인 NeuroAdapt-Bench를 소개합니다. 우리는 여러 사전 학습된 파운데이션 모델, 다양한 다운스트림 작업, 그리고 내부 분포, 외부 분포, 극단적 양상 변화(예: 귀-뇌전도)를 아우르는 이질적 데이터셋에 걸쳐 다른 분야의 대표적인 TTA 접근법들을 평가했습니다. 그 결과, 표준 TTA 방법은 일관된 성능 향상을 보이지 않으며 종종 성능을 저하시키는 것으로 나타났으며, 특히 그래디언트 기반 접근법이 심각한 성능 저하에 취약했습니다. 이와 대조적으로 최적화가 필요 없는 방법들은 더 큰 안정성과 신뢰할 수 있는 개선 효과를 보였습니다. 이러한 결과는 기존 TTA 기술이 뇌전도에 적용되는 데 있어 한계를 부각시키며, 향후 개발을 위한 지침을 제공하고 해당 분야에 특화된 적응 전략의 필요성을 강조합니다.

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.