[Paper] LookAroundNet：使用 Transformers 扩展时间上下文以实现临床可行的 EEG 癫痫发作检测

Source: arXiv - 2601.06016v1

请提供您希望翻译的具体文本内容，我将为您进行简体中文翻译。

概述

本文提出了 LookAroundNet——一种基于 Transformer 的模型，通过显式地查看分析片段前后的 EEG 信号来提升自动化 EEG 癫痫发作检测的效果——这与神经科医生实际阅读 EEG 时的做法相呼应。该方法在多个公开临床数据集以及一个大型专有家庭 EEG 数据集合上进行测试，展示了强劲且一致的性能，同时保持足够快的推理速度，能够满足实时或床旁使用的需求。

关键贡献

• 扩展的时间上下文: 引入“环视”窗口，将发作前后 EEG 数据输入 Transformer，捕获跨数秒至数分钟的模式。
• 用于 EEG 的 Transformer 架构: 将现代自注意力机制（最初在 NLP 和视觉领域流行）适配到多通道、时间序列的 EEG 数据。
• 跨领域评估: 在多样化数据集上进行基准测试（常规临床 EEG、长期移动记录以及大型居家监测队列），评估对不同硬件、患者人口统计和噪声条件的鲁棒性。
• 高效推理: 证明模型可在普通 GPU/边缘设备上运行，延迟足以用于床旁警报。
• 消融分析: 表明性能提升主要来源于 (1) 更宽的时间窗口，(2) 在异构数据上训练，(3) 简单的模型集成。

方法论

1. 数据预处理 – 原始 EEG 进行带通滤波 (0.5–70 Hz)，重新参考，并划分为 2 秒的 epoch。对于每个目标 epoch，拼接一个对称的上下文窗口（例如 ±10 秒），为模型提供“环视”视角。
2. 模型结构 –
   • Patch 嵌入: 将窗口内每个通道的时间序列线性投射为低维 token。
   • 位置编码: 对时间顺序进行编码，使 transformer 能区分“过去”与“未来” token。
   • Transformer 编码器: 堆叠的自注意力层学习跨通道和跨时间的关系，使网络能够捕捉细微的发作前或发作后特征。
   • 分类头: 一个轻量级前馈网络将聚合后的 transformer 输出映射为二分类的癫痫发作 / 非发作决策。
3. 训练策略 – 作者在一个混合了多个公开来源和专有家庭 EEG 数据集的合并数据上进行训练，使用标准的交叉熵损失和数据增强（通道 dropout、高斯噪声）。
4. 集成 – 在推理阶段，将三个独立训练实例的预测结果取平均，从而在不增加大量计算开销的情况下，略微提升鲁棒性。

结果与发现

• 一致的性能： LookAroundNet 在所有数据集上相较于仅使用 CNN 的基线模型提升了 4–7 % 的绝对 F1。
• 泛化能力： 当仅在公开数据上训练并在家庭 EEG 数据集上测试时，F1 的下降小于 3 %，表明具有良好的迁移能力。
• 延迟： 在 NVIDIA Jetson Xavier 上，每个 2 秒 epoch 的平均推理时间约为 30 ms，完全满足实时警报的要求。
• 消融实验： 移除上下文窗口会使 F1 降低约 5 %；仅在单一数据集上训练会降低约 6 %；使用集成可提升约 1–2 %。

实际意义

• 实时床旁监测： 医院可以在现有的 EEG 采集硬件上部署 LookAroundNet，以生成即时癫痫发作警报，可能减轻神经生理学家的工作负担。
• 家庭远程监测： 低延迟、适合边缘计算的设计使得将模型嵌入便携式 EEG 头戴设备成为可能，从而为难治性癫痫患者提供持续的发作监测。
• 数据驱动的方案设计： 通过展示多样化训练数据提升鲁棒性，研究鼓励制造商和诊所共享匿名化的 EEG 记录，加速通用癫痫检测器的研发。
• 与临床工作流的集成： 模型输出可与可视化审查工具（例如，高亮可疑窗口）结合，构建“人机协同”系统，在加快诊断的同时保留专家监督。

限制与未来工作

• 标签质量： 该研究依赖于可能在不同地点之间存在差异的专家标注；噪声标签可能限制最高性能。
• 窗口大小权衡： 更大的环视窗口可以提升检测，但会增加内存使用；在超低功耗设备上寻找最佳平衡仍是未解之题。
• 可解释性： 虽然注意力图提供了一些洞察，但模型对临床医生而言仍是黑箱；未来工作应探索更具可解释性的可视化方法。
• 更广泛的模态： 将该方法扩展到多模态数据（例如视频、心电图）可能进一步提升检测准确率，尤其是对微弱癫痫发作的识别。

结论： LookAroundNet 证明，借鉴人类专家的“情境感知”推理，并将其与现代 Transformer 架构相结合，能够使自动癫痫检测更进一步，接近日常临床和家庭使用。

作者

• Þór Sverrisson
• Steinn Guðmundsson

论文信息

• arXiv ID: 2601.06016v1
• 分类: cs.LG
• 出版日期: 2026年1月9日
• PDF: 下载 PDF