脑电图基础模型的测试时间适应：现实世界分布变化下的系统研究

脑电图 (EEG) 基础模型显示出从大规模神经数据中学习概括表示的强大潜力，但其临床部署受到临床环境、设备和人群之间分布变化的阻碍。测试时间适应 (TTA) 提供了一种很有前途的解决方案，使模型能够在推理过程中适应未标记的目标数据，而无需访问源数据，这在受隐私法规和有限标记数据限制的医疗保健环境中是一个宝贵的属性。然而，其对脑电图的有效性在很大程度上仍未得到充分探索。在这项工作中，我们引入了 NeuroAdapt-Bench，这是一个系统基准，用于评估现实分布变化下脑电图基础模型的测试时间适应方法。我们评估来自其他领域的代表性 TTA 方法，包括多个预训练基础模型、不同的下游任务以及跨越分布内、分布外和极端模态转换（例如耳脑电图）的异构数据集。我们的结果表明，评估的 TTA 方法会产生不一致的增益，并且常常会降低性能，基于梯度的方法特别容易严重退化，而免优化方法则表现出更高的稳定性。对于评估的 EEG 基础模型和代表性 TTA 方法，这些发现突出了直接将现有 TTA 技术应用于 EEG 的局限性，并强调了针对特定领域的适应策略的需要。