[논문 리뷰] Bridging the Compression-Precision Paradox: A Hybrid Architecture for Clinical EEG Report Generation with Guaranteed Measurement Accuracy

Wuyang Zhang, Zhen Luo외 5명|arXiv (Cornell University)|2026. 02. 11.

EEG and Brain-Computer Interfaces인용 수 0

한 줄 요약

논문은 임상 측정 정확도를 보장하는 하이브리드 EEG-리포팅 시스템을 제안한다. 신호 처리로 정확한 값을 추출한 후 압축하고 교차 모달 다리를 사용하여 불변의 측정 슬롯 주위에 서술을 생성함으로써 거짓 경보를 줄이고 탐지를 더 빠르게 달성한다.

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.

연구 동기 및 목표

• 극단적 압축 제약 하에서 임상 EEG 리포팅의 압축-정밀 paradox를 형식화한다.
• 측정 추출과 서사 생성을 분리하여 임상 가치 정확성을 보장하는 하이브리드 아키텍처를 제안한다.
• 벤치마크 데이터셋에서 발작 탐지, 값 추출 정밀도, 보고서 추적성에서 임상 성능 향상을 시연한다.

제안 방법

• 장계적 다속 샘플링을 통해 장기 맥락과 이벤트 수준의 정밀도를 균형 있게 다룬다.
• 측정 우선의 가드레일이 신경 처리 전에 정확한 값(주파수, 지속 time, 진폭)을 전부 산출하고 출처를 보존한다.
• 그래프 인식 이중 시야의 신경망 구조로, 그룹- 및 채널 그래프 어텐션과 선형 시간 장기 맥락 모델링(SSM)을 EEG 신호에 적용한다.
• 교차 모달Bridge가 EEG 특징을 언어 공간으로 매핑하며 점진적 의미 고정자와 대조 정렬로 구성한다.
• 제한된, LoRA-적응형 언어 모델 생성을 통해 고정된 측정 슬롯으로 구성된 구조화된 JSON 스키마를 채우고 숫자 허위진술이 없도록 한다.

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.

실험 결과

연구 질문

• RQ1 극단적 압축 하에서 엔드-투-엔드 신경망 모델이 임상적으로 의미 있는 EEG 측정치를 보존할 수 있는가?
• RQ2 측정 추출과 텍스트 생성을 분리하면 임상 정확도가 향상되고 자동 EEG 리포팅에서 거짓 경보를 줄일 수 있는가?
• RQ3 계층적 샘플링과 그래프 인식 처리는 벤치마크 대비 탐지 지연, 위치화 정확도, 그리고 측정 MAE에 어떤 영향을 미치는가?
• RQ4 교차 모달 다리가 EEG 신호를 언어로 안정적으로 매핑하면서 측정 정밀도와 출처를 보존하는가?

주요 결과

• 제안된 시스템은 TUH에서 24시간당 0.51개의 거짓 경보를 10.5초의 대기 시간으로 달성(EEGNet의 1.16 FA/24h, 24.2초 대기 시간; BENDR의 0.81 FA/24h, 20.3초 대비).
• 제안 방법의 값 추출 MAE는 주파수 0.18 Hz, 지속 시간 1.16초, 진폭 3.83 μV로, 기준선(EEGNet: 0.48 Hz, 2.32 s, 7.59 μV; BENDR: 0.41 Hz, 2.05 s, 6.83 μV)보다 우수하다.
• 그래프 인식 모델링으로 멀티 포컬 패턴에서 Jaccard 중첩이 0.7을 넘으며 위치화 정확도가 85% 이상으로 개선된다.
• 삭감 연구에서 측정 가드레일과 계층적 샘플링이 정밀도와 대기 시간에 상당한 기여를 하며 보정 및 아티팩트 강건성이 보급과 신뢰성을 높인다.
• 이 접근 방식은 엔드-투-엔드 지연을 분당 미만으로 유지하고 모든 값에 대해 임상적 출처를 유지하여 FDA 등급의 추적성을 지원한다.

(a) Ablation impacts