[論文レビュー] Backpropagation-Free Test-Time Adaptation for Lightweight EEG-Based Brain-Computer Interfaces

Siyang Li, Jiayi Ouyang+5 more|arXiv (Cornell University)|Jan 12, 2026

EEG and Brain-Computer Interfaces被引用数 0

ひとこと要約

本論文は Backpropagation-Free Transformations (BFT) を提案。これはバックプロパゲーションなしで予測を更新するEEGベースのBCIのテスト時適応法で、知識誘導型拡張とオンラインランキングモジュールにより複数の変換予測を統合する。

ABSTRACT

Electroencephalogram (EEG)-based brain-computer interfaces (BCIs) face significant deployment challenges due to inter-subject variability, signal non-stationarity, and computational constraints. While test-time adaptation (TTA) mitigates distribution shifts under online data streams without per-use calibration sessions, existing TTA approaches heavily rely on explicitly defined loss objectives that require backpropagation for updating model parameters, which incurs computational overhead, privacy risks, and sensitivity to noisy data streams. This paper proposes Backpropagation-Free Transformations (BFT), a TTA approach for EEG decoding that eliminates such issues. BFT applies multiple sample-wise transformations of knowledge-guided augmentations or approximate Bayesian inference to each test trial, generating multiple prediction scores for a single test sample. A learning-to-rank module enhances the weighting of these predictions, enabling robust aggregation for uncertainty suppression during inference under theoretical justifications. Extensive experiments on five EEG datasets of motor imagery classification and driver drowsiness regression tasks demonstrate the effectiveness, versatility, robustness, and efficiency of BFT. This research enables lightweight plug-and-play BCIs on resource-constrained devices, broadening the real-world deployment of decoding algorithms for EEG-based BCI.

研究の動機と目的

• EEGベースのBCIにおける個体間変動と非定常性に対処する。
• リアルタイムかつリソース制約デバイスに適したバックプロパagation-freeのテスト時適応法を開発する。
• テスト時変換の統合に対する理論的正当性を提供する。
• 複数データセットでの分類および回帰のEEGデコードタスクにおける適用性を示す。

提案手法

• Backpropagation-Free Transformations (BFT) を提案。2つの変換系を含む：BFT-A（知識ガイド型拡張）と BFT-D（Monte Carlo dropoutによる近似ベイズ推論）。
• 各テスト入力の複数の変換版を生成し、試行ごとに単一フォワードパスで複数予測を得る。勾配更新を回避。
• 信頼性に基づく各変換予測の重みを割り当てる学習-to-rankモジュールを導入。これを支えるランク様スコアを生成するマッピングモジュールを用意。
• 予測を信頼性重み付きロジットで分類、あるいは回帰では上位半分平均化で集約。平均化前にロジットへ温度スキニングを適用。
• BFT の下で変換予測を集約することによる不確実性の低減を、分散ベースの理論的正当性として示す。

実験結果

リサーチクエスチョン

• RQ1 バックプロパゲーションなしの変換はEEGデコードにおける予測不確実性を低減し、ドメインシフト下での転移を改善できるか。
• RQ2 ランキングベースの信頼度スコアリング機構は複数のテスト時予測の統合をどのように改善するか。
• RQ3 BFT は分類（MI）と回帰（ドライビング運転時の眠気）両方のEEGタスクに一般化可能か。
• RQ4 BFT は既存のマージナルシフト技術（例：EA、BN適応）と衝突せず統合できるか。
• RQ5 リソース制約デバイス上でのリアルタイムかつプライバシー保護のBCI展開における実 practical な影響はどの程度か。

主な発見

• BFT はEEGベースBCIのテスト時適応において、軽量・プライバシー保護・ノイズ耐性が高く、タスクに対して汎用的であるアプローチを提供する。
• 変換予測の統合は不確実性を低減し、ドメインシフト下での転移を改善するという理論分析。
• MI分類とドライバー眠気回帰の5つのEEGデータセットを用いた実証により、オンライン推論におけるBFTの有効性と効率性を実証。
• 制約された計算資源を持つデバイス上でのプラグアンドプレイEEGデコードを実現し、用途ごとの校正の必要性を低減。
• ランキングベースの重み付け機構は、より信頼性の高い変換を優先することでタスク横断のロバスト性を高める。