SeizureTransformer: Scaling U-Net with Transformer for Simultaneous Time-Step Level Seizure Detection from Long EEG Recordings

要約

てんかんは、世界中で約6500万人に影響を与える一般的な神経障害です。
関連する合併症の有病率と重症度を考えると、発作を迅速かつ正確に検出することが不可欠です。
最近、ディープラーニングベースの自動発作検出方法が解決策として浮上しています。
ただし、ほとんどの既存の方法では、広範な後処理が必要であり、EEGデータの重要な長距離パターンを効果的に処理しません。
この作業では、（i）1D畳み込み（ii）残留CNNスタックと変圧器エンコーダで構成される深いエンコーダで構成されるシンプルなモデルであるSeizureTransformerを提案します。
公共および民間のEEG発作検出データセットに関する広範な実験は、私たちのモデルが、てんかんおよびその他の神経障害に関する国際知能に関する国際会議で組織された2025年の「発作検出チャレンジ」で既存のアプローチ（最初の場所でランク付けされた）を大幅に上回ることを示しています。

要約(オリジナル)

Epilepsy is a common neurological disorder that affects around 65 million people worldwide. Detecting seizures quickly and accurately is vital, given the prevalence and severity of the associated complications. Recently, deep learning-based automated seizure detection methods have emerged as solutions; however, most existing methods require extensive post-processing and do not effectively handle the crucial long-range patterns in EEG data. In this work, we propose SeizureTransformer, a simple model comprised of (i) a deep encoder comprising 1D convolutions (ii) a residual CNN stack and a transformer encoder to embed previous output into high-level representation with contextual information, and (iii) streamlined decoder which converts these features into a sequence of probabilities, directly indicating the presence or absence of seizures at every time step. Extensive experiments on public and private EEG seizure detection datasets demonstrate that our model significantly outperforms existing approaches (ranked in the first place in the 2025 ‘seizure detection challenge’ organized in the International Conference on Artificial Intelligence in Epilepsy and Other Neurological Disorders), underscoring its potential for real-time, precise seizure detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google