Testtijd-aanpassing voor EEG-fundatiemodellen: Een systematische studie onder real-world distributieverschuivingen
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
Samenvatting
Elektro-encefalografie (EEG) foundation-modellen hebben een groot potentieel getoond voor het leren van generaliseerbare representaties uit grootschalige neurale data, maar hun klinische implementatie wordt belemmerd door distributieverschuivingen tussen verschillende klinische omgevingen, apparaten en populaties. Testtijdaanpassing (TTA) biedt een veelbelovende oplossing door modellen in staat te stellen zich aan te passen aan ongelabelde doeldata tijdens inferentie, zonder toegang tot de brondata – een waardevolle eigenschap in zorgomgevingen die worden beperkt door privacyregelgeving en beperkte gelabelde data. De effectiviteit ervan voor EEG is echter grotendeels onvoldoende onderzocht. In dit werk introduceren we NeuroAdapt-Bench, een systematische benchmark voor het evalueren van testtijdaanpassingsmethoden voor EEG foundation-modellen onder realistische distributieverschuivingen. We evalueren representatieve TTA-benaderingen uit andere domeinen over meerdere vooraf getrainde foundation-modellen, diverse downstreamtaken en heterogene datasets die in-distributie, out-of-distributie en extreme modaliteitsverschuivingen (bijv. Ear-EEG) omvatten. Onze resultaten tonen aan dat standaard TTA-methoden inconsistente verbeteringen opleveren en de prestaties vaak verslechteren, waarbij op gradieten gebaseerde benaderingen bijzonder gevoelig zijn voor sterke degradatie. Optimalisatievrije methoden daarentegen tonen een grotere stabiliteit en betrouwbaardere verbeteringen. Deze bevindingen benadrukken de beperkingen van bestaande TTA-technieken voor EEG, bieden richtlijnen voor toekomstige ontwikkeling en onderstrepen de noodzaak van domeinspecifieke aanpassingsstrategieën.
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.