EEG基础模型的测试时适应：现实世界分布偏移下的系统性研究

文章背景与核心概要

脑电图（EEG）基础模型在从大规模神经数据中学习通用表征方面展现出巨大潜力。然而，由于不同临床环境、硬件设备和患者群体之间存在显著的分布偏移，这些模型在实际临床部署中受到了严重限制。

本文介绍了 NeuroAdapt-Bench，这是一个旨在评估EEG基础模型在现实分布偏移下测试时适应（TTA）方法的系统性基准。作者评估了多种跨域TTA方法在不同预训练基础模型、任务和数据集（涵盖分布内、分布外以及如耳戴式EEG等极端模态偏移）上的表现。

研究发现，现有的TTA方法在应用于EEG数据时效果不一致，且经常导致模型性能下降。其中，基于梯度的方法尤其容易出现严重的性能退化，而无需优化的方法则表现出显著的稳定性。这些结果强调了直接将标准TTA技术迁移到EEG领域的局限性，并突显了开发领域特定适应策略的迫切需求。

📋 摘要

脑电图（EEG）基础模型在从大规模神经数据中学习通用表征方面展现出巨大潜力。然而，由于不同临床环境、硬件设备和患者群体之间存在显著的分布偏移，这些模型在实际临床部署中受到了严重限制。

Electroencephalography (EEG) foundation models hold great promise for learning generalizable representations from large-scale neural data. However, their practical clinical deployment is severely limited by distribution shifts arising across different settings, hardware devices, and patient populations.

本文介绍了 NeuroAdapt-Bench，这是一个旨在评估EEG基础模型在现实分布偏移下测试时适应（TTA）方法的系统性基准。作者评估了多种跨域TTA方法在不同预训练基础模型、任务和数据集（涵盖分布内、分布外以及如耳戴式EEG等极端模态偏移）上的表现。

This paper introduces NeuroAdapt-Bench, a systematic benchmark designed to evaluate test-time adaptation (TTA) methods on EEG foundation models under realistic distribution shifts. The authors assess various cross-domain TTA approaches across multiple pretrained foundation models, tasks, and datasets (spanning in-distribution, out-of-distribution, and extreme modality shifts like Ear-EEG).

关键发现： * 现有的TTA方法在应用于EEG数据时效果不一致，且经常导致模型性能下降。 * 基于梯度的方法尤其容易出现严重的性能退化。 * 无需优化的方法表现出显著的稳定性。 * 这些结果强调了直接将标准TTA技术迁移到EEG领域的局限性，并突显了开发领域特定适应策略的迫切需求。

Key Findings: * Existing TTA methods yield inconsistent gains and frequently degrade model performance when applied to EEG data. * Gradient-based approaches are particularly susceptible to heavy performance degradation. * Optimization-free methods demonstrate notably greater stability. * These results underscore the limitations of directly transferring standard TTA techniques to EEG and highlight the urgent need for domain-specific adaptation strategies.

🔗 快速链接与资源

Full Text & Downloads:

View PDF

HTML Version (Experimental)

TeX Source

数字对象唯一标识符 (DOI)： 10.48550/arXiv.2604.16926

Digital Object Identifier (DOI): 10.48550/arXiv.2604.16926

许可协议： 知识共享署名 4.0

License: Creative Commons Attribution 4.0

外部引用与工具：
Google Scholar
Semantic Scholar
NASA ADS

External Citations & Tools:

Google Scholar

Semantic Scholar

NASA ADS

📜 提交历史

[v1] 2026年4月18日周六 09:23:25 UTC (975 KB)
[v2] 2026年7月5日周日 05:55:36 UTC (967 KB)
[v3] 2026年8月25日周二 07:01:51 UTC (8,728 KB — 当前版本)

[v1] Sat, 18 Apr 2026 09:23:25 UTC (975 KB)

[v2] Sun, 5 Jul 2026 05:55:36 UTC (967 KB)

[v3] Tue, 25 Aug 2026 07:01:51 UTC (8,728 KB — Current Version)