[論文レビュー] Combining Residual U-Net and Data Augmentation for Dense Temporal Segmentation of Spike Wave Discharges in Single-Channel EEG

Saurav Sengupta, Scott Kilianski+5 more|arXiv (Cornell University)|Jan 1, 2026

EEG and Brain-Computer Interfaces被引用数 0

ひとこと要約

本論文は AugUNet1D を提案する。これは密な時系列セグメンテーションを可能とする残差1D U-Net で、単一チャネル EEG におけるスパイク-ウェーブ放電（SWD）の検出を行い、Twin Peaks や他のベースラインを大規模なマウス EEG データセット上で上回る。

ABSTRACT

Manual annotation of spike-wave discharges (SWDs), the electrographic hallmark of absence seizures, is labor-intensive for long-term electroencephalography (EEG) monitoring studies. While machine learning approaches show promise for automated detection, they often struggle with cross-subject generalization due to high inter-individual variability in seizure morphology and signal characteristics. In this study we compare the performance of 15 machine learning classifiers on our own manually annotated dataset of 961 hours of EEG recordings from C3H/HeJ mice, including 22,637 labeled SWDs and find that a 1D U-Net performs the best. We then improve its performance by employing residual connections and data augmentation strategies combining amplitude scaling, Gaussian noise injection, and signal inversion during training to enhance cross-subject generalization. We also compare our method, named AugUNet1D, to a recently published time- and frequency-based algorithmic approach called "Twin Peaks" and show that AugUNet1D performs better on our dataset. AugUNet1D, pretrained on our manually annotated data or untrained, is made public for other users.

研究の動機と目的

• 長期 EEG 記録における SWD の labor-intensive な手動アノテーションを解消する。 variable SWD 形態に対する被検者横断一般化を調査する。
• C3H/HeJ マウスの robust な SWD 検出器を特定するために広範な分類器を評価する。
• 残差接続とデータ拡張を用いて被検者横断の性能を改善する。
• AugUNet1D の pretrained および untrained バージョンを提供し、電気生理イベント全般への適用性を広げる。

提案手法

• 密集した時点レベルの SWD セグメンテーションのために residual 1D U-Net アーキテクチャを採用する。
• 符号化/デコードブロック内に残差接続を適用して勾配フローを改善し、より深いモデルを訓練可能にする。
• 訓練時に振幅スケーリング、ガウシアンノイズの注入、信号反転を含むデータ拡張を実施して頑健性と一般化を向上させる。
• 訓練データをすべて 100 Hz にリサンプリングし、データを 20 秒エポック（2000 サンプル）に分割する。
• Dice Loss と Adam を用いて訓練し、コサインアニーリングのウォームアップスケジューラと早期停止を組み合わせてロバストな一般化を図る。

実験結果

リサーチクエスチョン

• RQ1 特定のデータ拡張を施した残差1D U-Net は単一チャネル EEG における跨被検者 SWD 偵検を堅牢に達成できるか。
• RQ2 AugUNet1D は最近公表された時刻・周波数ベースの手法（Twin Peaks）と large SWD データセット上でどのように比較されるか。
• RQ3 マウス EEG における SWD の密集時系列セグメンテーションの跨被検者一般化を改善する訓練戦略は何か。
• RQ4 AugUNet1D の未訓練版は多様な電気生理イベントをシステム間で検出するのに有用か。

主な発見

• AugUNet1D は 16 のベースラインと Twin Peaks アプローチを含む広範な比較で、データセット内の 10 匹の test マウスに対して優れた性能を達成した。
• データ拡張と残差接続は、100 Hz での 10 匹の test マウスの記録間の跨被検者一般化を共同で改善した。
• データセットは 961.3 時間の EEG と 22,637 件の手動ラベル SWD を含み、タスクの規模とばらつきを実証した。
• 手動 SWD ラベリングは、少なくとも 5 回のリズム的スパイク-ウェーブ複合と規則的間隔を持つイベントに焦点を当て、評価のための明確な Ground Truth を提供した。