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

Saurav Sengupta, Scott Kilianski+5 more|arXiv (Cornell University)|Jan 1, 2026

EEG and Brain-Computer Interfaces被引用 0

一句话总结

本文提出 AugUNet1D，这是一种具有数据增强的残差1D U-Net，用于单通道 EEG 的密集时间分割的 SWD 检测，并在大规模小鼠 EEG 数据集上显示出优于 Twin Peaks 及其他基线的性能。

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.

研究动机与目标

• 解决长期 EEG 记录中对 spike-wave discharges (SWDs) 的人工标注工作量大问题；研究跨受试者在可变 SWD 形态下的泛化能力。
• 评估一组广泛的分类器，以识别在 C3H/HeJ 小鼠中鲁棒的 SWD 检测器。
• 通过残差连接和数据增强开发改进，以提高跨受试者的表现。
• 提供 AugUNet1D 的预训练和非训练版本，以便在多种脑电事件上实现更广泛的应用。

提出的方法

• 采用残差1D U-Net 架构进行密集、逐时点的 SWD 分割。
• 在编码/解码块中应用残差连接，以改善梯度流动并训练更深的模型。
• 在训练期间实施包括幅度缩放、高斯噪声注入和信号反转的数据增强，以提高鲁棒性和泛化能力。
• 将所有 EEG 信号重新采样为 100 Hz，并将数据分割为 20 秒的片段（2000 个样本）用于训练。
• 使用 Dice Loss 进行训练，采用 Adam 优化器，配备余弦退火的 warmup 调度器与早停以获得更鲁棒的泛化。

实验结果

研究问题

• RQ1 残差1D U-Net，结合特定数据增强，能否在单通道 EEG 上实现对 SWD 的鲁棒跨受试者检测？
• RQ2 与最近发表的时频基方法（Twin Peaks）在大型 SWD 数据集上的表现对比如何？
• RQ3 哪些训练策略最能改善小鼠 EEG 中 SWD 的密集时间分割的跨受试者泛化？
• RQ4 未训练版本的 AugUNet1D 是否有助于在不同系统中检测多样的脑电事件？

主要发现

• AugUNet1D 在他们的数据集中对 10 只测试小鼠的结果中，显著优于 16 个基线和 Twin Peaks 方法。
• 数据增强与残差连接共同提升了在 100 Hz 下跨受试者对 10 只测试小鼠记录的泛化能力。
• 该数据集总计 961.3 小时的 EEG，包含 22,637 条人工标注的 SWD，体现了任务的规模与变异性。
• 手动 SWD 标注聚焦于至少包含 5 个节律性尖波复合体且间隔规律的事件，为评估提供了清晰的地面真相。