Spatiotemporal Hyperedges for EEG Seizure Detection and Prediction
作者: Hyunju Kim, Sheo Yon Jhin, Noseong Park, Nabil Imam
分类: cs.AI
发布日期: 2026-09-29
备注: Accepted at CIKM 2026. 7 figures, 6 tables
💡 一句话要点
提出HyBrain以解决EEG癫痫检测与预测问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)
关键词: EEG信号 癫痫检测 图神经网络 时空超边 深度学习 智能医疗 预测模型
📋 核心要点
- 现有的动态图神经网络在癫痫检测中存在忽略时空耦合和高训练成本的问题。
- HyBrain通过使用软超边而非配对边来总结EEG数据，提升了时空信息的捕捉能力。
- 在TUSZ和CHB-MIT数据集上，HyBrain在所有设置中均实现了最佳AUROC，尤其在长片段前驱预测中表现突出。
📝 摘要（中文）
癫痫的检测与预测在临床上至关重要，但由于癫痫发作稀少、时间局限且在多个通道中协调传播，导致其检测非常具有挑战性。现有的动态图神经网络通过对每个时间步的通道边进行配对建模，但这种方法忽略了癫痫的时空耦合，且训练成本高。本文提出的HyBrain通过一小组软超边来总结时空EEG证据，显著提高了检测性能。在TUSZ和CHB-MIT数据集上，HyBrain在所有报告的设置中均实现了最佳AUROC，并在长片段的前驱预测中表现出最大的提升。
🔬 方法详解
问题定义：本文旨在解决EEG信号中癫痫发作的检测与预测问题。现有方法主要依赖于配对边的动态图神经网络，未能有效捕捉癫痫的时空耦合特性，且训练成本较高。
核心思路：HyBrain的核心思想是通过少量的软超边来总结时空EEG证据，而非传统的配对边。这种设计能够更好地捕捉癫痫发作的复杂时空关系，提高检测的准确性和效率。
技术框架：HyBrain的整体架构包括一个每通道的Mamba主干网络，该网络为每个（通道，秒）生成一个token。随后，时空超边模块将这些tokens通过软成员关系汇聚成E_h个共享的组嵌入，并将其广播回去。该编码器同时服务于窗口检测、逐秒点检测和前驱癫痫预测三个下游任务。
关键创新：HyBrain的主要创新在于引入了软超边的概念，能够有效捕捉癫痫发作的时空动态，与现有方法相比，显著降低了训练成本并提高了检测性能。
关键设计：在网络结构上，HyBrain采用了Mamba主干网络和时空超边模块，设计了适应性强的损失函数，并优化了训练过程中的参数设置，以确保在训练时间和GPU内存峰值上与最有效的基线相匹配。
🖼️ 关键图片
📊 实验亮点
HyBrain在TUSZ和CHB-MIT数据集上实现了最佳AUROC，超越了十个基线模型，尤其在长片段前驱预测中表现出最大的提升，显示出其在癫痫检测领域的显著优势。同时，HyBrain在训练时间和GPU内存使用上与最有效的基线相当，展现了其高效性。
🎯 应用场景
该研究的潜在应用领域包括临床癫痫监测、智能医疗设备以及实时健康监测系统。HyBrain的高效检测与预测能力能够帮助医生更好地管理癫痫患者，提升患者的生活质量，并在未来推动智能医疗技术的发展。
📄 摘要（原文）
Seizure detection and prediction from EEG are clinically important but challenging because seizures are rare, temporally localized, and propagate as coordinated events across multiple channels. Recent dynamic graph neural networks model this by running a temporal model over a sequence of per-time-step pairwise channel edges. However, this pairwise construction misses the spatiotemporal coupling that constitutes a seizure, at substantial training cost. We propose HyBrain, which summarizes spatiotemporal EEG evidence through a small set of soft hyperedges rather than pairwise edges. A per-channel Mamba backbone produces one token per (channel, second), and a spatiotemporal hyperedge block pools these tokens into E_h shared group embeddings through soft memberships and broadcasts them back. The same encoder serves three downstream tasks: window-based detection, one-second point-wise detection, and preictal seizure prediction. On TUSZ and CHB-MIT, HyBrain achieves the best AUROC on every reported setting against ten baselines, with the largest gap on long-clip preictal prediction. It also matches the most efficient baselines in training time and peak GPU memory. A qualitative analysis shows that even a single learned hyperedge cleanly captures the preictal -> ictal -> postictal trajectory on a real seizure clip.