뇌전도 (EEG) 및 심전도 (ECG)와 같은 의료 시계열 (MedTS) 신호는 많은 임상 응용 분야를 지원합니다. 그러나 상당한 피험자 수준의 이질성 (heterogeneity)은 종종 피험자 수준의 분포 변화 (distribution shift)를 유발하며, 이로 인해 고정된 파라미터 세트가 보지 못한 개인에게 일반화되는 성능이 떨어지게 됩니다. 추가적인 적응 구성 요소나 타겟 배치 통계 (target-batch statistics)에 의존하는 경우가 많은 도메인 적응 (domain adaptation) 방법과 비교하여, 테스트 단계 훈련 (Test-Time Training, TTT)은 라벨이 없는 테스트 샘플로부터 온라인 적응 (online adaptation)을 가능하게 함으로써 순차적인 임상 데이터에 대해 더 실용적인 솔루션을 제공합니다. 하지만 많은 대표적인 TTT 방법들은 반복적인 내부 루프 최적화 (iterative inner-loop optimization)를 요구하여 테스트 단계의 오버헤드를 증가시킵니다. 본 논문에서 우리는 의료 시계열 모델링을 위한 테스트 단계 훈련 프레임워크인 MedTS-TTT를 제안합니다. MedTS-TTT는 폐쇄 루프 자기 정렬 테스트 단계 훈련 (Closed-Loop Self-Alignment Test-Time Training, CLSA-TTT)과 게이트 컨볼루션 백본 (Gated Convolutional Backbone, GCB)을 기반으로 구축되었습니다. CLSA-TTT는 토큰 수준의 자기 지도 학습 (self-supervised) 타겟을 구축하고 층 내 폐쇄 루프 정렬 (intra-layer closed-loop alignment)을 위해 단일 단계의 빠른 가중치 업데이트 (fast-weight update)를 수행하여, 반복적인 내부 루프 최적화 없이도 신속한 샘플별 적응을 가능하게 합니다. GCB는 CLSA-TTT 기반의 빠른 적응 및 토큰 수준 융합을 게이트 컨볼루션 분기 (gated convolutional branch)와 결합하여 국소적 동적 모델링 (local dynamic modeling)과 정보 흐름 제어 (information-flow control) 사이의 균형을 맞춥니다. 피험자 독립적 분할 (subject-independent splits)이 적용된 4개의 공개 데이터셋 (2개의 EEG 및 2개의 ECG)에서, MedTS-TTT는 9개의 베이스라인 및 3개의 지표에 걸친 12번의 평가 중 11번의 Top-1 순위를 달성했습니다. 코드는 https://github.com/mingzhi-c/MedTS-TTT 에서 공개적으로 사용할 수 있습니다.