[논문 리뷰] Backpropagation-Free Test-Time Adaptation for Lightweight EEG-Based Brain-Computer Interfaces

Siyang Li, Jiayi Ouyang외 5명|arXiv (Cornell University)|2026. 01. 12.

EEG and Brain-Computer Interfaces인용 수 0

한 줄 요약

이 논문은 Backpropagation-Free Transformations (BFT)을 도입한다. EEG 기반 BCI에 대한 테스트-타임 적응 방법으로, 백프로파게이션 없이 예측을 업데이트하며, 지식 가이드 증강 및 온라인 랭킹 모듈을 사용해 여러 변환된 예측을 집계한다.

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.

연구 동기 및 목표

• EEG 기반 BCI의 피험자 간 변이성과 비정상성에 대응한다.
• 실시간이고 자원 제한 기기에 적합한 Backpropagation-free 테스트-타임 적응 방법 개발.
• 테스트 타임 변환의 집계에 대한 이론적 정당화 제공.
• 여러 데이터셋에서 분류 및 회귀 EEG 디코딩 작업에 걸친 다양성 입증.

제안 방법

• Backpropagation-Free Transformations (BFT)를 제안하며, 두 가지 변환 계열로 구성: BFT-A(지식 기반 증강) 및 BFT-D(Monte Carlo 드롭아웃을 통한 근사 베이지안 추론).
• 각 테스트 입력의 다수 변환 버전을 생성하고 단일 순전파를 통해 트라이얼당 다중 예측을 얻어 그래디언트 업데이트를 피한다.
• 각 변환된 예측에 신뢰도 기반 가중치를 할당하는 학습-투-랭크 모듈 도입, 순위 유사 점수를 생성하는 매핑 모듈에 의해 촉진된다.
• 분류에는 신뢰도 가중 로짓으로, 회귀에는 상위 절반 평균으로 예측을 집계하며, 평균화 전에 로짓에 온도 승화(샤프닝)를 적용한다.
• BFT 하에서 변환된 예측을 집계할 때 불확실성 감소를 보이는 분산 기반 이론적 정당성 제공.

실험 결과

연구 질문

• RQ1 백프로파게이션-프리 변환이 EEG 디코딩에서 도메인 시프트 하에서 예측 불확실성을 줄이고 전이 효과를 개선할 수 있는가?
• RQ2 랭킹 기반 신뢰도 점수 매기기 메커니즘이 다중 테스트 타임 예측의 집계를 어떻게 개선할 수 있는가?
• RQ3 BFT 방법은 분류(MI)와 회귀(driver drowsiness) EEG 작업 모두에 일반화되는가?
• RQ4 BFT를 기존의 마진드 시프트 기법(EA, BN-adapt)과 충돌 없이 통합할 수 있는가?
• RQ5 자원 제한 기기에서 실시간, 프라이버시 보장 BCI 배치에 대한 BFT의 실질적 영향은 무엇인가?

주요 결과

• BFT는 EEG 기반 BCI에 대한 테스트 타임 적응에 경량화되고 프라이버시 보존적이며 잡음에 강하고 과제 비특정적인 접근법을 제시한다.
• 이론적 분석은 변환된 예측의 집계가 불확실성을 줄이고 도메인 시프트 하에서 전이를 개선함을 보여준다.
• 다섯 개의 EEG 데이터셋(MI 분류 및 운전자 졸음 회귀)에서의 실증 검증은 온라인 추론에서 BFT의 효과와 효율성을 입증한다.
• BFT는 계산 자원이 제한된 기기에서 플러그앤플레이 EEG 디코딩을 가능하게 하여 사용별 보정을 필요로 하는 경우를 줄인다.
• 랭킹 기반 가중 메커니즘은 더 신뢰할 수 있는 변환의 우선순위를 두어 작업 간 강건성을 강화한다.