Prompt-Based EEG Adaptation : Scalable and Resource-Efficient Transfer Learning = 프롬프트 기반 뇌파 적응 :확장 가능하고 자원 효율적인 전이 학습

다국어 초록 (Multilingual Abstract)

Transformer-based pretrained models (PTMs) have recently shown strong promise for electroencephalography (EEG) analysis. However, most existing approaches remain confined to specific paradigms and rely on computationally expensive full fine-tuning, which requires large labeled datasets and limits deployment in real-world brain–computer interface (BCI) systems. We introduce PEARL (Prompt-based EEG Adaptation via Resource-efficient Learning), the first prompt- based adaptation framework for EEG PTMs that is model-agnostic, task-agnostic, and data-efficient. PEARL freezes the backbone encoder and adapts PTMs by prepending task-adaptive prompts to the inputs, training only a lightweight prompt generator and a task-specific classifier. In this framework, we focus on prompt distillation, which constructs input-conditioned prompts that adap- tively capture EEG signal characteristics. By learning a lightweight prompt gen- erator and a task-specific classifier while keeping the backbone frozen, the pro- posed method achieves over 95% reduction in trainable parameters and main- tains robust performance with only 15% of labeled data, ensuring both accu- racy and computational efficiency. We conduct extensive experiments on seven benchmark EEG datasets spanning motor imagery, event-related potentials, emotion recognition, anomaly detection, and event-type classification, and eval- uate with three representative transformer-based PTMs. Empirically, PEARL consistently outperforms linear probing and achieves comparable or superior performance to full fine-tuning, including paradigms unseen during pretrain- ing, demonstrating robust cross-paradigm transfer. Ablations over prompt type, length, and generator design further show that signal-conditioned prompting is reliably more data- and parameter-efficient than alternative strategies, without modifying PTM weights. Taken together, these results establish prompt-based adaptation as a powerful, scalable, and deployment-friendly solution for gener- alizable EEG modeling in practical BCI settings.

국문 초록 (Abstract)

Transformer 기반 사전학습 모델(PTMs)은 최근 뇌파(EEG) 분석에서 유망한 성 과를 보이고 있습니다. 그러나 기존 접근법 대부분은 특정 패러다임에 한정되어 있으며, 대규모 레이블링 데이터가 필요하고 연산 비용이 큰 full fine-tuning에 의존한다는 한계가 있어 실제 뇌–컴퓨터 인터페이스(BCI) 환경에서의 활용이 어 렵습니다. 본 연구에서는 PEARL(Prompt-based EEG Adaptation via Resourceefficient Learning)을 제안합니다. PEARL은 모델 비종속적(model-agnostic), 태 스크 비종속적(task-agnostic), 데이터 효율적인 EEG PTM 적응 프레임워크로서, EEG 분야 최초의 프롬프트 기반 적응 방법입니다. PEARL은 백본 인코더를 고정한 채 입력 앞단에(Task-adaptive) 프롬프트를 삽입하여 PTM을 적응시키며, 경량의 프롬프트 생성기와 태스크별 분류기만을 학습합니다. 이 과정에서 우리는 EEG 신호 특성을 입력 조건(input-conditioned) 으로 반영해 적응적으로 포착하는 prompt distillation에 주목합니다. 백본을 그 대로 유지하면서도 경량 프롬프트 생성기와 태스크별 분류기만을 학습함으로써, 제안한 방법은 학습 가능한 파라미터를 95% 이상 줄이면서 전체 레이블의 15% 만으로도 강건한 성능을 유지하여 정확성과 효율성을 모두 확보합니다. 우리는 운동 상상, 사건 관련 전위(ERP), 감정 인식, 이상 탐지, 사건 유형 분류 등 다양한 패러다임을 포함한 7개 EEG 벤치마크 데이터셋과 세 가지 대표적인 Transformer 기반 PTM을 대상으로 광범위한 실험을 수행했습니다. 실험 결과, PEARL은 linear probing을 지속적으로 상회하며, 사전학습 단계에서 보지 않은 패러다임을 포함해 full fine-tuning 대비 동등하거나 더 우수한 성능을 보여 강 건한 패러다임 간 전이 성능을 입증했습니다. 또한 프롬프트 유형, 길이, 생성기 구조에 대한 ablation 실험을 통해 입력 조건 기반 프롬프트가 PTM 가중치를 변경 하지 않으면서도 대안적 전략보다 안정적으로 더 높은 데이터 효율성과 파라미터 효율성을 제공함을 확인했습니다. 종합적으로, 본 연구는 프롬프트 기반 적응이 실제 BCI 환경에서 범용적인 EEG 모델링을 가능하게 하는 확장성과 효율성을 갖춘 강력한 접근법임을 보여줍 니다.

목차 (Table of Contents)

• List of Table iii
• List of Figures v
• Abstract vii
• 1 Introduction 1
• 2 Related Works 4
• 2.1 EEG Paradigms and Datasets 4
• 2.2 Existing EEG PTMs Across Paradigms 5
• 3 Methods 6
• 3.1 Overview of Proposed Framework 7
• 3.2 Prompt Generation 8
• 4 Experiments and Results 9
• 4.1 Datasets and Evaluation Protocol 9
• 4.2 Baselines and Metrics 10
• 4.3 Performance Evaluation 10
• 4.4 Parameter and Computational Efficiency 12
• 4.5 Performance in Low-Resource Settings 13
• 4.6 Ablation Study on Prompt Design 14
• 4.7 Comparison with Other Methods 15
• 5 Conclusion 17
• References 28
• Appendix 36
• Abstract (in Korean) 38