[论文解读] LookAroundNet: Extending Temporal Context with Transformers for Clinically Viable EEG Seizure Detection

Þór Sverrisson, Steinn Guðmundsson|arXiv (Cornell University)|Jan 9, 2026

EEG and Brain-Computer Interfaces被引用 0

一句话总结

LookAroundNet 使用变换器将扩展时间上下文引入 EEG，实现跨数据集的癫痫发作检测的强性能，推理高效，集成提升性能。

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.

研究动机与目标

• 推动跨多样化 EEG 数据集与设置的自动化、临床可行的癫痫发作检测。
• 研究在目标 EEG 段周围扩展时间上下文是否能提升检测准确性。
• 使用多份公开及私有数据集评估对未见记录条件与数据分布的泛化性。
• 评估计算效率，确保在现实临床部署中的实用性。

提出的方法

• 提出 LookAroundNet，处理三段 EEG 输入（look-behind、target、look-ahead），采用通道维 transformer 编码器与跨通道注意力。
• 将 EEG 预处理为纵向双极 Montage，进行滤波/重采样，并为每个通道使用 patch 以供 transformer 处理。
• 使用 CrossEntropyLoss 与 AdamW（Schedule-Free）在 200 轮训练，采用标签平滑与对癫痫、非癫痫、混合段的平衡抽样。
• 使用 SzCORE 框架进行事件基础和样本基础评分评估，报告 F1、灵敏度、精度以及 FP/天，覆盖多数据集。
• 与先前模型（EventNet、EEG-U-Transformer）进行对比，并对上下文窗口大小和集成进行消融分析以评估性能提升。
• 演示在不同硬件上的推理效率，以论证临床可行性。

实验结果

研究问题

• RQ1 在目标 EEG 段周围扩展时间上下文是否在跨数据集上提升癫痫发作检测性能？
• RQ2 在来自多源数据（公开与私有）的数据上训练是否提升对未见记录的泛化？
• RQ3 上下文窗口大小与放置对检测指标的影响如何，是否对多个上下文配置的集成有利？
• RQ4 在常见硬件上 LookAroundNet 能否实现临床可行的推理速度，同时保持高精度？
• RQ5 在为临床部署优化阈值时，灵敏度与误警报之间有哪些权衡？

主要发现

• 16 秒目标窗口和 32+32 秒前后看护的 LookAroundNet 在若干测试集上达到最先进的性能，在 TUSZ 与 Siena/SeizeIT1 上优于此前模型，同时参数数量显著更少。
• 将 LookAroundNet 不同上下文窗口在目标前、后或周围的变体进行集成，进一步提升事件级 F1-分数并减少假阳性，相较单一配置更优。
• 将时间上下文扩展通常能将 F1 分数提升到大约 128 秒总上下文时，超过该值在大多数数据集上的收益边际递减。
• 在公开数据集（尤其是 TUSZ 与 Kvikna 的组合）上的训练能带来最佳的测试集泛化，而加入少量较小的数据集在某些情况下可能增加假阳性。
• 在标准硬件上的推理远低于实时，GPU 上每小时处理时间低于 6 秒，在工作站上甚至更快，支持临床部署。
• 带上下文的看周、数据多样性与模型集成是推动性能提升与临床可行性的关键因素。