NeuroTTT：通过测试时训练弥合 EEG 基础模型中预训练与下游任务的不对齐
机器学习
2025-10-03 v2 人机交互
摘要
大规模脑电图（EEG）信号基础模型为通用脑机接口（BCI）应用提供了一条有前景的路径，但它们常常遭受预训练目标与下游任务之间的不对齐，以及显著的跨被试分布偏移。本文通过引入一种两阶段对齐策略来应对这些挑战，该策略弥合了通用预训练与特定 EEG 解码任务之间的差距。首先，我们提出了 NeuroTTT：一种领域特定的自监督微调范式，它通过任务相关的自监督目标增强基础模型，将潜在表示对齐到重要的频谱、空间和时间 EEG 特征，而无需额外的标记数据。其次，我们在推理阶段结合了测试时训练（TTT），执行（i）对单个未标记测试样本的自监督测试时训练，以及（ii）预测熵最小化（Tent），仅更新归一化统计量以持续地即时校准模型以适应每个新输入。据我们所知，我们的方法首次在大规模 EEG 基础模型中统一了领域调优的自监督与测试时训练，在多种 BCI 任务（想象言语、压力检测、运动想象）中显著提高了鲁棒性和准确性。以 CBraMod 和 LaBraM 作为骨干网络，我们的方法将其性能推向了显著更高的水平。在三个不同任务上的结果表明，所提出的对齐策略达到了最先进的性能，优于传统的微调和自适应方法。我们的代码可在 https://github.com/wsl2000/NeuroTTT 获取。
引用
@article{arxiv.2509.26301,
title = {NeuroTTT: Bridging Pretraining-Downstream Task Misalignment in EEG Foundation Models via Test-Time Training},
author = {Suli Wang and Yangshen Deng and Zhenghua Bao and Xinyu Zhan and Yiqun Duan},
journal= {arXiv preprint arXiv:2509.26301},
year = {2025}
}