Адаптация во время тестирования для базовых моделей ЭЭГ: систематическое исследование в условиях реальных распределенных сдвигов
Test-Time Adaptation for EEG Foundation Models: A Systematic Study under Real-World Distribution Shifts
April 18, 2026
Авторы: Gabriel Jason Lee, Jathurshan Pradeepkumar, Jimeng Sun
cs.AI
Аннотация
Фундаментальные модели электроэнцефалографии (ЭЭГ) продемонстрировали значительный потенциал в обучении обобщаемым представлениям из крупномасштабных нейронных данных, однако их внедрение в клиническую практику затруднено из-за сдвигов распределения между различными клиническими условиями, устройствами и популяциями. Адаптация во время тестирования (Test-time adaptation, TTA) предлагает перспективное решение, позволяя моделям адаптироваться к немаркированным целевым данным в процессе вывода без доступа к исходным данным — важное свойство в условиях здравоохранения, ограниченных правилами конфиденциальности и нехваткой размеченных данных. Однако её эффективность для ЭЭГ остаётся в значительной степени неисследованной. В данной работе мы представляем NeuroAdapt-Bench — систематический бенчмарк для оценки методов адаптации во время тестирования фундаментальных моделей ЭЭГ в условиях реалистичных сдвигов распределения. Мы оцениваем репрезентативные подходы TTA из других областей на множестве предобученных фундаментальных моделей, разнообразных downstream-задач и гетерогенных наборов данных, охватывающих внутрираспределительные, внераспределительные сдвиги и экстремальные модальные сдвиги (например, Ear-EEG). Наши результаты показывают, что стандартные методы TTA дают нестабильные улучшения и часто ухудшают производительность, причём градиентные подходы особенно склонны к сильной деградации. В отличие от них, методы без оптимизации демонстрируют большую стабильность и более надежные улучшения. Эти результаты подчеркивают ограничения существующих техник TTA для ЭЭГ, дают ориентиры для будущей разработки и указывают на необходимость создания предметно-ориентированных стратегий адаптации.
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.