뇌파 기반 기초 모델의 테스트 시간 적응: 실제 환경에서의 분포 변화에 따른 체계적인 연구

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

뇌파(EEG) 기반 기초 모델은 대규모 신경 데이터로부터 일반화 가능한 표현을 학습하는 데 강력한 잠재력을 보여주지만, 임상 환경, 장비 및 인구 간의 분포 변화로 인해 임상 적용이 제한됩니다. 테스트 시간 적응(TTA)은 모델이 소스 데이터에 접근하지 않고도 추론 과정에서 레이블이 없는 대상 데이터에 적응할 수 있도록 하여, 개인 정보 보호 규정 및 제한된 레이블 데이터로 인해 제약되는 의료 환경에서 유용한 솔루션을 제공합니다. 그러나 EEG 분야에서 TTA의 효과는 아직 충분히 연구되지 않았습니다. 본 연구에서는 NeuroAdapt-Bench라는 실제적인 분포 변화 조건에서 EEG 기반 모델의 테스트 시간 적응 방법을 평가하기 위한 체계적인 벤치마크를 소개합니다. 다양한 사전 훈련된 기초 모델, 다양한 하위 작업 및 다양한 데이터 세트(분포 내, 분포 외, 극단적인 모달리티 변화(예: 귓부 뇌파))에 걸쳐 다른 분야의 대표적인 TTA 방법을 평가했습니다. 그 결과, 표준적인 TTA 방법은 일관된 성능 향상을 가져오지 못하며 종종 성능 저하를 초래하며, 특히 그래디언트 기반 방법은 성능 저하가 심각한 경향을 보였습니다. 반면, 최적화가 필요 없는 방법은 더 높은 안정성과 더 신뢰할 수 있는 성능 향상을 보여주었습니다. 이러한 결과는 기존의 TTA 기술이 EEG 분야에서 갖는 한계를 강조하고, 향후 개발 방향을 제시하며, 도메인 특화된 적응 전략의 필요성을 보여줍니다.

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.