[論文レビュー] Bridging the Compression-Precision Paradox: A Hybrid Architecture for Clinical EEG Report Generation with Guaranteed Measurement Accuracy

Wuyang Zhang, Zhen Luo+5 more|arXiv (Cornell University)|Feb 11, 2026

EEG and Brain-Computer Interfaces被引用数 0

ひとこと要約

本論文は、圧縮後に信号処理で正確な値を抽出し、不可変な測定スロット周りに語彙を生成する跨モダル橋渡しを用いて、臨床測定の正確性を保証するハイブリッドEEGレポーティングシステムを提案し、偽陽性を減らし検出を速くしている。

ABSTRACT

Automated EEG monitoring requires clinician-level precision for seizure detection and reporting. Clinical EEG recordings exceed LLM context windows, requiring extreme compression (400:1+ ratios) that destroys fine-grained temporal precision. A 0.5 Hz error distinguishes absence epilepsy from Lennox-Gastaut syndrome. LLMs lack inherent time-series comprehension and rely on statistical associations from compressed representations. This dual limitation causes systems to hallucinate clinically incorrect measurement values. We separate measurement extraction from text generation. Our hybrid architecture computes exact clinical values via signal processing before compression, employs a cross-modal bridge for EEG-to-language translation, and uses parameter-efficient fine-tuning with constrained decoding around frozen slots. Multirate sampling maintains long-range context while preserving event-level precision. Evaluation on TUH and CHB-MIT datasets achieves 60% fewer false alarms, 50% faster detection, and sub-clinical measurement precision. This is the first system guaranteeing clinical measurement accuracy in automated EEG reports.

研究の動機と目的

• 臨床EEGレポーティングにおける極端な圧縮条件下での圧縮-精度のパラドックスを formalize する。
• 測定抽出を語彙生成から分離して臨床価値の正確性を保証するハイブリッドアーキテクチャを提案する。
• ベンチマークデータセットで発作検知、値抽出の精度、レポート追跡性における臨床性能の向上を示す。

提案手法

• 長距離文脈とイベントレベルの精度のバランスを取る階層的多速サンプリング。
• ニューラル処理前に完全な出所情報を伴う正確な値（周波数、継続時間、振幅）を計算する値優先ガードレール。
• グラフ認識型の二視点ニューラルアーキテクチャ（グループとチャンネルグラフアテンション＋長距離モデリングの線形時間SSM）によるEEG信号処理。
• EEG特徴を言語空間へ橋渡しするクロスモーダル橋渡し：進行的意味的アンカーと対比整合を用いる。
• 凍結された測定スロットを含む構造化JSONスキーマを埋める制約付きのLoRA適応言語モデル生成。数値の幻覚を生まない。

Figure 1. Hybrid architecture: hierarchical sampling balances context and precision; signal processing extracts measurements before compression; cross-modal bridge translates to language space; constrained decoder generates reports around frozen slots.

実験結果

リサーチクエスチョン

• RQ1 極端な圧縮下でエンドツーエンドのニューラルモデルは臨床的に意味のあるEEG測定を保持できるか。
• RQ2 測定抽出をテキスト生成から分離することは臨床精度を向上させ、自動EEGレポーティングの偽陽性を減らすか。
• RQ3 階層サンプリングとグラフ認識処理は検出遅延、定位精度、測定MAEをベースラインと比べてどう影響するか。
• RQ4 クロスモーダル橋渡しは測定忠実度と出所情報を保ちつつEEG信号を言語へ信頼性高く写像できるか。

主な発見

• 提案システムは TUH で 0.51 件/24時間の偽陽性、10.5 秒の遅延を達成（ EEGNet の 1.16FA/24h、24.2 秒遅延； BENDR の 0.81FA/24h、20.3 秒と比較）。
• 提案手法の値抽出MAEは周波数 0.18 Hz、継続時間 1.16 秒、振幅 3.83 μV。基準法（EEGNet: 0.48 Hz, 2.32 s, 7.59 μV; BENDR: 0.41 Hz, 2.05 s, 6.83 μV）を上回る。
• グラフ認識モデリングにより多焦点パターンのジャカード重なりが0.7超で定位精度が85%以上に向上。
• アブレーション研究は測定ガードレールと階層サンプリングが精度と遅延に大きく寄与し、較正とアーティファクト耐性がカバー範囲と信頼性を向上。
• アプローチはエンドツーエンドの遅延を1分未満に抑え、全ての値に臨床的出所情報を維持しFDA級のトレーサビリティをサポート。

(a) Ablation impacts