脑机接口 / BCI

Test-Time Adaptation for EEG Foundation Models: A Systematic Study under Real-World Distribution Shifts

EEG基础模型的测试时间适应：在现实世界分布偏移下的系统研究

Gabriel Jason Lee, Jathurshan Pradeepkumar, Jimeng Sun

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；分类 eess.SP、cs.LG

AI总结 本文系统研究了EEG基础模型在现实分布偏移下的测试时间适应方法，发现标准方法效果不稳定且易退化，而无优化方法更稳定可靠。

Comments Accepted to MLHC 2026

Parameter-Efficient Self-Supervised Adaptation for EEG-FM under Fixed Computational Budgets

固定计算预算下EEG-FM的参数高效自监督适配

Meghal Dani, Stefanie Liebe

机构 * University of Tübingen（蒂宾根大学） ； Hertie Institute for AI in Brain Health (Hertie AI)（赫蒂脑健康人工智能研究所） ； University Clinic Tübingen（蒂宾根大学医院） ； Hertie Institute for Clinical Brain Research（赫蒂临床脑研究所） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；分类 cs.LG

AI总结 本研究提出参数高效自监督适配方法，仅更新9%参数即可适配EEG-FM，在三个临床EEG数据集上较线性探测获最高20倍AUCPR，固定计算预算下仅需20%-50%未标记数据，可降低部署负担。

Predicting Only from Selected Evidence: A Tempered Product-of-Experts Bottleneck for Auditable EEG Diagnosis

仅从选定证据进行预测：用于可审计脑电图诊断的 tempered 专家乘积瓶颈

Yinghao Wang, Shujian Yu, Duc Han Le, Zhikai Yu, Changming Wang, Van-Tam Nguyen

专题命中 EEG解码 ：EEG(title,summary_cn)；分类 eess.SP

AI总结 本研究提出 tPoE-EIB 方法，通过选择 EEG 的时间与通道证据构建受信息率限制的融合机制，在保持平衡准确率的同时提升了诊断的可审计性，适用于多种 EEG 诊断场景。

Taming foundation model with invariance-oriented pre-training for broad-spectrum EEG analysis across signal-level, brain-state, and brain-health tasks

面向信号级、脑状态及脑健康任务的广谱脑电分析：以不变性为导向的预训练驯服基础模型

Yulong Dou, Han Wu, Guo Chen, Fangmao Ju, Zhiming Cui, Dinggang Shen

机构 * ShanghaiTech University（上海科技大学） ； Shanghai United Imaging Intelligence Co., Ltd.（上海联影智能医疗科技有限公司） ； Shanghai Clinical Research and Trial Center（上海临床研究与试验中心） 纠错

专题命中 EEG解码 ：EEG(title,summary_cn)；分类 cs.LG

AI总结 研究针对EEG模型的局限性，提出以不变性为导向的EEG基础模型INCEPT，经超11000小时临床EEG训练，在广谱EEG任务基准中多数指标领先，验证了不变性学习构建可复用EEG基础模型的潜力。