NeuroTTT：通过测试时训练缓解 EEG 基础模型的预训练与下游任务错配

基于摘要分析。本文研究 EEG 基础模型的预训练目标与下游解码任务错配，以及跨被试分布偏移问题，提出结合领域自监督微调与测试时训练（TTT）的两阶段对齐策略 NeuroTTT。作者以 CBraMod 和 LaBraM 为骨干，在 imagined speech（想象言语）、压力检测和运动想象任务上评估该策略。 第一阶段在基础模型上引入任务相关的自监督目标，使潜在表征对齐 EEG 的频谱、空间和时间特征，不需要额外标注数据。这一设计针对通用预训练表征与具体解码需求之间的差距，但摘要未给出自监督任务的具体构造、损失形式或训练参数更新范围，尚不能判断不同目标各自的贡献。 第二阶段在推理时对单个无标签测试样本进行自监督测试时训练，并结合预测熵最小化（Tent）。摘要将 Tent 的更新范围描述为仅更新归一化统计量，以持续校准新输入；其具体实现、与自监督更新的组合顺序，以及样本间是否保留模型状态，均需全文核对。这些细节关系到在线适应的稳定性与计算成本。 作者报告，该策略在上述三类任务上提高了鲁棒性和准确率，优于常规微调与适应方法，并达到最先进性能；摘要未提供具体数据集、被试数、划分协议、指标数值或基线清单，因此不能量化提升，也不能将结果直接视为已核实的跨被试泛化证据。作者关于首次统一领域自监督与大型 EEG 基础模型测试时训练的表述属于其优先性主张，尚未独立检索确认。 材料提供了代码仓库地址，但代码内容与可运行性尚未验证。复现时应核对预训练和下游数据的关系、被试与会话划分、测试流顺序、标签使用边界、更新步数及状态重置规则，并检查两阶段策略与各自单独使用时的对照。完整实验协议、消融及统计信息尚未验证。