[논문 리뷰] LookAroundNet: Extending Temporal Context with Transformers for Clinically Viable EEG Seizure Detection

Þór Sverrisson, Steinn Guðmundsson|arXiv (Cornell University)|2026. 01. 09.

EEG and Brain-Computer Interfaces인용 수 0

한 줄 요약

LookAroundNet은 EEG에서 확장된 시간적 맥락을 통합하기 위해 트랜스포머를 사용하며, 효율적 추론 및 성능을 향상시키는 앙상블을 통해 교차 데이터셋 seizure 탐지에서 강력한 성능을 달성합니다.

ABSTRACT

Automated seizure detection from electroencephalography (EEG) remains difficult due to the large variability of seizure dynamics across patients, recording conditions, and clinical settings. We introduce LookAroundNet, a transformer-based seizure detector that uses a wider temporal window of EEG data to model seizure activity. The seizure detector incorporates EEG signals before and after the segment of interest, reflecting how clinicians use surrounding context when interpreting EEG recordings. We evaluate the proposed method on multiple EEG datasets spanning diverse clinical environments, patient populations, and recording modalities, including routine clinical EEG and long-term ambulatory recordings, in order to study performance across varying data distributions. The evaluation includes publicly available datasets as well as a large proprietary collection of home EEG recordings, providing complementary views of controlled clinical data and unconstrained home-monitoring conditions. Our results show that LookAroundNet achieves strong performance across datasets, generalizes well to previously unseen recording conditions, and operates with computational costs compatible with real-world clinical deployment. The results indicate that extended temporal context, increased training data diversity, and model ensembling are key factors for improving performance. This work contributes to moving automatic seizure detection models toward clinically viable solutions.

연구 동기 및 목표

• 다양한 EEG 데이터 세트와 설정 전반에서 자동화되고 임상적으로 실행 가능한 발작 탐지를 목표로 한다.
• 타깃 EEG 구간 주변의 시간적 맥락을 확장하는 것이 탐지 정확도를 향상시키는지 조사한다.
• 여러 공개 및 비공개 데이터 세트를 사용하여 보지 못한 녹음 조건 및 데이터 분포에 대한 일반화를 평가한다.
• 실제 임상 배치의 실용성을 보장하기 위한 계산 효율성을 평가한다.

제안 방법

• LookAroundNet를 제안한다. 이는 세-part EEG 입력(look-behind, target, look-ahead)을 채널별 트랜스포머 인코더와 채널 간 주의(attention)로 처리한다.
• EEG를 종적 양극성 몽타주로 전처리하고 필터링/리샘플링을 적용하며, 트랜스포머 처리를 위해 채널당 패치를 사용한다.
• CrossEntropyLoss와 AdamW (Schedule-Free)로 200 에폭 학습하며, 레이블 스무딩과 발작, 비발작, 혼합 구간 간의 균형 샘플링을 사용한다.
• SzCORE 프레임워크를 사용하여 이벤트 기반 및 샘플 기반 스코어링으로 평가하고, 여러 데이터 세트에 걸쳐 F1, 민감도, 정밀도, 및 FP/일을 보고한다.
• 이전 모델(EventNet, EEG-U-Transformer)과 비교하고, 맥락 창의 크기 및 앙상블에 대한 제거실험( Ablations)을 수행하여 성능 향상을 평가한다.
• 하드웨어 전반에 걸친 추론 효율성을 입증하여 임상 실행 가능성을 주장한다.

실험 결과

연구 질문

• RQ1 타깃 EEG 구간 주위에 확장된 시간적 맥락을 도입하는 것이 다양한 데이터 세트에서 발작 탐지 성능을 향상시킬 수 있는가?
• RQ2 공개 및 독점 데이터를 포함한 여러 출처의 데이터를 학습하는 것이 보지 못한 녹음에 대한 일반화에 어떤 영향을 미치는가?
• RQ3 맥락 창의 크기와 배치가 탐지 지표에 미치는 영향은 무엇이며, 서로 다른 맥락 구성을 앙상블하는 것이 이로운가?
• RQ4 LookAroundNet이 일반 하드웨어에서 임상적으로 실행 가능한 추론 속도를 달성하면서 높은 정확도를 유지할 수 있는가?
• RQ5 임상 배치를 위한 임계값 최적화 시 민감도와 거짓 양성 간의 트레이드오프는 무엇인가?

주요 결과

• 16초 타깃 창과 32+32초의 look-behind/look-ahead를 갖춘 LookAroundNet은 여러 테스트 세트에서 최첨단 성능을 달성하고, TUSZ 및 Siena/SeizeIT1에서 이전 모델을 능가하며 파라미터 수는 훨씬 적게 사용한다.
• 타깃보다 앞, 뒤, 또는 주변에 위치한 맥락 창을 가진 LookAroundNet 변형을 앙상블하면 단일 구성에 비해 이벤트 기반 F1 점수 향상 및 거짓 양성 감소가 더 잘 나타난다.
• 시간적 맥락을 확장하면 일반적으로 총 약 128초 컨텍스트까지 F1 점수를 개선하며, 그 이상에서는 대부분의 데이터 세트에서 수익이 감소한다.
• 공개 데이터 세트의 조합(특히 TUSZ와 Kvikna)을 학습하면 테스트 세트 전반에 걸쳐 최상의 일반화를 얻지만, 일부 소형 데이터 세트를 추가하면 특정 경우 거짓 양성이 증가할 수 있다.
• 표준 하드웨어에서의 추론은 실시간보다 훨씬 빠르게 작동하며, GPU에서 시간당 6초 미만의 처리 속도이고 워크스테이션에서 더 빠르게 작동하여 임상 배치를 지지한다.
• 맥락적 탐색, 데이터 다양성, 및 모델 앙상블은 성능 향상과 임상 실행 가능성을 주도하는 핵심 요인이다.