腦電圖基礎模型的新挑戰：NeuroAdapt-Bench 揭示測試時適應技術的臨床應用限制與潛力

本研究提出 NeuroAdapt-Bench 基準測試，評估腦電圖基礎模型在臨床位移下的測試時適應能力，發現傳統梯度方法易導致效能退化，非優化方法則較具穩定性。

Problem

腦電圖（EEG）基礎模型雖具備強大的通用表徵學習潛力，但在實際臨床部署時，常因不同醫療器材、病患族群及環境產生的「分配偏移」（Distribution Shifts）導致效能大幅下降。此外，受限於醫療隱私法規與標記資料稀缺，模型難以在不接觸原始原始訓練資料的情況下，快速適應新的測試環境。

Method

研究團隊開發了 NeuroAdapt-Bench，這是首個針對 EEG 基礎模型設計的系統化基準測試，旨在評估「測試時適應」（Test-time Adaptation, TTA）技術的有效性。測試涵蓋了多種預訓練模型、多樣化的下游任務，以及橫跨分佈內、分佈外、甚至極端模態偏移（如耳後腦電圖 Ear-EEG）的異質資料集。

Results

實驗結果顯示，現有的標準 TTA 方法在 EEG 資料上的表現並不穩定，甚至常導致模型效能惡化。其中，基於梯度的優化方法（Gradient-based approaches）特別容易出現嚴重的效能退化；相較之下，無需優化的方法（Optimization-free methods）展現出更高的穩定性與更可靠的效能提升。

Significance

本研究填補了 EEG 基礎模型在測試時適應領域的研究空白，揭示了現有跨領域 TTA 技術應用於腦部神經訊號的局限性。研究結果不僅為未來開發醫療專用適應策略提供了指引，也為推動腦電圖技術在現實臨床場景中的可靠部署奠定了基礎。