EEGBind: Detecting Source-Level Interictal Epileptiform Discharges via EEG-Centric Multimodal Binding

📄 arXiv: 2609.09728v1 📥 PDF

作者: Muchen Li, Anglin Liu, Xuetian Gao, Ruijian Xu, Jintai Chen

分类: cs.LG, cs.MM, q-bio.NC

发布日期: 2026-09-09

备注: 7 pages, 5 figures. Accepted to the 34th ACM International Conference on Multimedia (MM '26)

DOI: 10.1145/3767308.3837697

🔗 代码/项目: GITHUB

💡 一句话要点

提出EEGBind以解决源级间歇性癫痫放电检测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 间歇性癫痫放电 EEG信号处理 多模态绑定 源级分类 临床应用

📋 核心要点

  1. 现有方法在短时间EEG窗口中难以捕捉源区域证据，且受主观差异和类不平衡影响。
  2. EEGBind框架将EEG作为主要模态，利用视频上下文作为辅助证据，避免过早融合导致的源敏感性损失。
  3. 在NeuroMM 2026基准测试中，EEGBind实现了0.8395的加权F1分数，显著优于其他竞争方法。

📝 摘要（中文）

源级间歇性癫痫放电（IEDs）分析对外科评估和治疗规划至关重要，因为它有助于表征癫痫活动的来源。该研究提出EEGBind，一个以EEG为中心的多模态绑定框架，进行五类源级IED分类。EEGBind将EEG视为主要模态，并结合同步视频上下文特征，以增强分类的鲁棒性。通过在NeuroMM 2026 Grand Challenge Track 3 NMM-Source-IED基准上取得0.8395的加权F1分数，EEGBind超越了强有力的竞争者，证明了其作为源级IED分类的有效策略。

🔬 方法详解

问题定义：本研究旨在解决源级间歇性癫痫放电（IEDs）检测中的挑战，现有方法在短时间EEG信号中难以提取有效的源区域信息，且受主观差异和类不平衡影响，导致分类性能不足。

核心思路：EEGBind框架的核心思想是将EEG视为主要模态，并结合同步视频上下文特征，以增强分类的鲁棒性，而不是依赖于早期或过强的多模态融合，这样可以更好地保持源敏感的EEG表示。

技术框架：EEGBind的整体架构包括EEG信号处理模块、视频上下文特征提取模块和分类模块。首先，EEG信号被处理以提取特征，然后结合视频上下文信息，最后通过分类器进行五类IED的分类。

关键创新：最重要的技术创新在于EEG-centric多模态绑定策略，通过将视频上下文作为辅助证据，避免了对EEG信号的过度干扰，从而提高了分类的准确性和鲁棒性。

关键设计：在模型设计中，采用了特定的损失函数以平衡类不平衡问题，并使用了视图一致性修复阶段，以增强隐藏集的鲁棒性，同时保持学习到的源类边界。该框架的开源代码可在GitHub上获取。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在NeuroMM 2026 Grand Challenge Track 3 NMM-Source-IED基准测试中，EEGBind实现了0.8395的加权F1分数，显著优于其他竞争者，展示了其在源级IED分类中的有效性和优势。

🎯 应用场景

该研究的潜在应用领域包括癫痫患者的外科评估和治疗规划，通过准确定位癫痫活动的来源，能够为临床决策提供重要支持。未来，该方法还可能扩展到其他神经疾病的监测和分析中，具有广泛的实际价值。

📄 摘要（原文）

Source-level analysis of interictal epileptiform discharges (IEDs) is relevant to presurgical evaluation and treatment planning because it helps characterize where epileptiform activity is likely to arise. Beyond detecting whether an IED is present, this setting requires assigning IED-positive activity to clinically meaningful brain-region categories. This setting is challenging because source-region evidence in short electroencephalography (EEG) windows can be subtle, partial, and affected by subject variability, class imbalance, and imperfect multimodal context. We present EEGBind, an EEG-centric multimodal binding framework for five-class source-level IED classification. EEGBind treats EEG as the primary modality and binds synchronized video-context features around an EEG-centric representation. Instead of relying on early or overly strong multimodal fusion, which may perturb the source-sensitive EEG representation, EEGBind uses video context as auxiliary evidence for robust classification. A view-consistent repair stage is further used to improve hidden-set robustness while preserving the learned source-class boundary. On the NeuroMM 2026 Grand Challenge Track 3 NMM-Source-IED benchmark, EEGBind achieves 0.8395 on weighted-F1 and outperforms strong competitors. These results support EEG-centric multimodal binding as a practical strategy for source-level IED classification. The open-source code is available at https://github.com/HKUSTGZ-ML4Health-Lab/NeuroMM2026_IED_Detection.