Adaptação em Tempo de Teste para Modelos de Base de EEG: Um Estudo Sistemático sob Mudanças de Distribuição do Mundo Real
Test-Time Adaptation for EEG Foundation Models: A Systematic Study under Real-World Distribution Shifts
April 18, 2026
Autores: Gabriel Jason Lee, Jathurshan Pradeepkumar, Jimeng Sun
cs.AI
Resumo
Os modelos de base de eletroencefalografia (EEG) demonstraram um forte potencial para aprender representações generalizáveis a partir de dados neurais em larga escala. No entanto, a sua implantação clínica é dificultada por desvios de distribuição entre contextos clínicos, dispositivos e populações. A adaptação em tempo de teste (TTA) oferece uma solução promissora, permitindo que os modelos se adaptem a dados-alvo não rotulados durante a inferência, sem acesso aos dados de origem – uma propriedade valiosa em contextos de saúde limitados por regulamentações de privacidade e dados rotulados escassos. Contudo, a sua eficácia para EEG permanece amplamente inexplorada. Neste trabalho, apresentamos o NeuroAdapt-Bench, um benchmark sistemático para avaliar métodos de adaptação em tempo de teste em modelos de base de EEG sob desvios de distribuição realistas. Avaliamos abordagens de TTA representativas de outros domínios em múltiplos modelos de base pré-treinados, diversas tarefas subsequentes e conjuntos de dados heterogéneos que abrangem desvios dentro da distribuição, fora da distribuição e mudanças extremas de modalidade (por exemplo, Ear-EEG). Os nossos resultados mostram que os métodos padrão de TTA produzem ganhos inconsistentes e frequentemente degradam o desempenho, sendo as abordagens baseadas em gradiente particularmente propensas a uma degradação severa. Em contraste, os métodos livres de otimização demonstram maior estabilidade e melhorias mais confiáveis. Estas descobertas destacam as limitações das técnicas de TTA existentes em EEG, fornecem orientações para o desenvolvimento futuro e sublinham a necessidade de estratégias de adaptação específicas para o domínio.
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.