[논문 리뷰] Combining Residual U-Net and Data Augmentation for Dense Temporal Segmentation of Spike Wave Discharges in Single-Channel EEG

Saurav Sengupta, Scott Kilianski외 5명|arXiv (Cornell University)|2026. 01. 01.

EEG and Brain-Computer Interfaces인용 수 0

한 줄 요약

논문은 AugUNet1D를 소개합니다, 잔차형 1D U-Net와 데이터 증강을 활용한 단일 채널 EEG의 스파이크-웨이브 방전( SWDs) 밀도 있는 시간적 구분이 가능하며, 대규모 마우스 EEG 데이터셋에서 Twin Peaks 및 다른 기준선보다 우수함을 보여줍니다.

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.

연구 동기 및 목표

• 장기 EEG 기록에서 스파이크-웨이브 방전(SWDs)의 수동 주석 작업이 노동 집약적임을 해결하고; 가변적인 SWD 형태에 따른 교차 피험자 일반화 여부를 조사합니다.
• C3H/HeJ 마우스에서 견고한 SWD 탐지기를 식별하기 위한 광범위한 분류기 집합을 평가합니다.
• 교차 피험자 성능을 향상시키기 위해 잔차 연결과 데이터 증강을 통한 개선을 개발합니다.
• 전극 기록 이벤트 전반에 걸친 적용성을 넓히기 위해 AugUNet1D의 사전 학습된 버전과 학습되지 않은 버전을 제공합니다.

제안 방법

• 밀도적이고 시간 지점 수준의 SWD 구분을 위한 잔차형 1D U-Net 아키텍처를 채택합니다.
• 인코딩/디코딩 블록 내에 잔차 연결을 적용하여 그래디언트 흐름을 개선하고 더 깊은 모델을 학습합니다.
• 학습 중 진폭 스케일링, 가우시안 노이즈 주입, 신호 반전 등을 포함한 데이터 증강을 구현하여 강건성 및 일반화를 향상시킵니다.
• 모든 EEG 신호를 100 Hz로 재샘플링하고 학습을 위해 데이터를 20초 에포크(2000 샘플)로 분할합니다.
• Adam을 사용하여 Dice Loss로 학습하고, 코사인 애널링 워밍업 스케줄러와 조기 중지를 적용하여 강건한 일반화를 달성합니다.

실험 결과

연구 질문

• RQ1 특정 데이터 증강을 갖춘 잔차형 1D U-Net이 단일 채널 EEG에서 강건한 교차 피험자 SWD 탐지를 달성할 수 있습니까?
• RQ2 최근에 발표된 시간 및 주파수 기반 방법(Twin Peaks)과 큰 SWD 데이터셋에서 AugUNet1D의 비교 성능은 어떻습니까?
• RQ3 마우스 EEG의 SWD의 밀도 있는 시간적 구분에 대해 교차 피험자 일반화를 최적으로 향상시키는 학습 전략은 무엇입니까?
• RQ4 시스템 간 다양한 전기뇌전 이벤트 탐지를 위한 학습되지 않은 AugUNet1D 버전이 유용합니까?

주요 결과

• AugUNet1D는 해당 데이터세트의 10마리 테스트 마우스에서 16개 베이스라인과 Twin Peaks 접근법을 포함한 광범위한 비교군을 상회하는 성능을 달성했습니다.
• 데이터 증강과 잔차 연결은 100 Hz에서 10마리 테스트 마우스의 기록 간 교차 피험자 일반화를 함께 향상시켰습니다.
• 데이터세트는 961.3 시간의 EEG와 22,637개의 수동으로 라벨링된 SWDs로 구성되어 있어 작업의 규모와 변동성을 보여줍니다.
• 수동 SWD 라벨링은 최소 5개의 리듬형 spike-wave 복합체와 규칙적인 간격을 가진 이벤트에 집중되어 평가를 위한 명확한 기준점을 제공했습니다.