EEG 基础模型的测试时自适应：真实世界分布偏移下的系统研究

该研究针对 EEG 基础模型在临床环境、设备及人群变化下的分布偏移问题，提出 NeuroAdapt-Bench，用于系统评估测试时自适应（Test-Time Adaptation，TTA）方法的有效性与稳定性。基于摘要分析，研究主要贡献是评估基准与跨方法比较，而非提出一种新的 EEG 自适应算法。 TTA 的基本设定是在推理阶段利用无标签目标数据适应模型，且无需访问源数据，这与医疗场景中的隐私约束及标注稀缺问题相契合。作者将其他领域的代表性 TTA 方法应用于多个预训练 EEG 基础模型、不同下游任务和异构数据集，评估范围覆盖分布内、分布外及极端模态偏移，例如 Ear-EEG。摘要未列出具体模型、方法、任务和数据集名称，也未说明目标数据的组织方式、参数更新范围或适应状态的重置规则。 作者报告，在上述评估范围内，标准 TTA 方法的收益不一致，且经常导致性能下降，其中基于梯度的方法尤其容易出现较严重退化；相比之下，无需优化的方法表现出更高稳定性和更可靠的改善。摘要未提供指标、数值及逐任务结果，因此不能据此判定某类方法在所有 EEG 场景中更优，也不能直接推导特定 BCI 任务的效果。 复现与解读时，应核对不同基础模型的预训练与下游适配设定、目标域划分、无自适应对照、可用目标样本量及计算预算，并确认评估属于被试内、跨被试、跨会话还是跨数据集协议。作者提供了代码链接，但代码完整性、运行条件、实验协议、消融及统计信息尚未验证。当前材料支持将其作为 EEG 测试时自适应的系统评估参考，不足以确认临床部署有效性。