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

Wuyang Zhang, Zhen Luo+5 more|arXiv (Cornell University)|Feb 11, 2026

EEG and Brain-Computer Interfaces被引用 0

一句话总结

本论文提出一种混合 EEG 报告系统，通过在压缩前进行信号处理提取精确数值，并使用跨模态桥接生成围绕不可变测量槽的叙述，从而降低误报、加快检测速度。

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.

研究动机与目标

• 在极端压缩约束下，形式化临床 EEG 报告中的压缩-精准悖论。
• 提出一种混合架构，将测量提取与叙事生成分离，以保证临床数值准确性。
• 在基准数据集上展示癫痫检测、数值提取精度与报告可追溯性的临床性能提升。

提出的方法

• 层次多速采样以在长距离上下文与事件级精度之间取得平衡。
• 以测量为先的护栏，在神经处理前计算出精确数值（频率、时长、幅度）并保留完整来源信息。
• 具备图感知的双视图神经架构，具备分组与通道-图注意力，以及线性时间长距离建模（SSM）用于 EEG 信号。
• 跨模态桥接，将 EEG 特征映射到语言空间，带有渐进语义锚点与对比对齐。
• 受限的、经过 LoRA 调整的语言模型生成，填充结构化 JSON 架构中的冻结测量槽，确保没有数值幻觉。

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.

实验结果

研究问题

• RQ1 端到端神经模型在极端压缩下能否保持对临床有意义的 EEG 测量？
• RQ2 将测量提取与文本生成分离是否能够提升临床准确性并减少自动 EEG 报告中的误报？
• RQ3 分层采样与图感知处理相较于基线对检测延迟、定位精度与测量 MAE 有何影响？
• RQ4 跨模态桥接能否在保持测量保真度与来源可追溯性的同时，可靠地将 EEG 信号映射到语言？

主要发现

• 所提出的系统在 TUH 数据集上实现每 24 小时 0.51 的误报，延迟 10.5 s（相较 EEGNet：1.16 FA/24h，延迟 24.2 s；BENDR：0.81 FA/24h，延迟 20.3 s）。
• 所提方法的数值提取 MAE 为频率 0.18 Hz、时长 1.16 s、幅度 3.83 μV，优于基线（EEGNet：0.48 Hz、2.32 s、7.59 μV；BENDR：0.41 Hz、2.05 s、6.83 μV）。
• 由于图感知建模，多焦模式的定位准确度提升至 85%+，Jaccard 重叠度 > 0.7。
• 消融研究表明测量护栏与分层采样对精度与延迟有显著贡献，校准与伪迹鲁棒性提升覆盖率与可靠性。
• 该方法实现亚分钟级端到端时延并保持每个数值的临床来源可追溯性，符合 FDA 级追踪性要求。

(a) Ablation impacts