[论文解读] 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 0

一句话总结

论文提出 Backpropagation-Free Transformations (BFT)，一种用于 EEG 基于脑机接口的测试时适应方法，在不进行反向传播的情况下更新预测，利用知识引导的增强和在线排序模块聚合多种变换后的预测。

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.

研究动机与目标

• 解决 EEG 基于 BCI 的跨受试者变异性和非平稳性问题。
• 开发适用于实时、资源受限设备的无反向传播测试时自适应方法。
• 就测试时变换的聚合提供理论依据。
• 在多数据集上的分类和回归 EEG 解码任务中展示多样性。

提出的方法

• 提出 Backpropagation-Free Transformations (BFT)，其包含两大变换族：BFT-A（知识引导的增强）和 BFT-D（通过 Monte Carlo dropout 的近似贝叶斯推断）。
• 对每个测试输入生成多版本变换，并通过一次前向传播获得每次试验的多种预测，避免梯度更新。
• 引入一个学习排序模块，为每个变换后的预测分配基于可靠性的权重，由一个映射模块生成类排序分数来辅助。
• 使用可靠性加权的对数概率进行聚合用于分类，或对回归采用前半部分平均，在平均前对对数概率应用温度缩放。
• 提供理论上的基于方差的论证，表明在 BFT 下聚合变换后的预测能够降低不确定性。

实验结果

研究问题

• RQ1 无反向传播的变换是否能降低预测不确定性并在领域迁移下改善 EEG 解码？
• RQ2 基于排序的可靠性评分机制如何改善多次测试时预测的聚合？
• RQ3 BFT 方法是否在分类（MI）和回归（驾驶员困倦）EEG 任务上具有普适性？
• RQ4 BFT 是否可以与现有的边际平移技术（如 EA、BN-adapt 等）无冲突地集成？
• RQ5 在资源受限设备上的实时、隐私保护 BCI 部署中，BFT 的实际影响如何？

主要发现

• BFT 提供了一种轻量、保护隐私、抗噪声且任务无关的 EEG 基于 BCI 的测试时自适应方法。
• 理论分析表明对变换后的预测进行聚合可降低不确定性并在领域迁移下改善迁移性。
• 在五个 EEG 数据集（MI 分类和驾驶员困倦回归）上的实证验证显示了 BFT 在在线推断中的有效性与效率。
• BFT 使在资源受限设备上实现插拔式 EEG 解码成为可能，减少了对每次使用校准的需求。
• 基于排序的加权机制有助于优先考虑更可靠的变换，提升跨任务的鲁棒性。