arXiv:2609.09728v1 cs.LG

EEGBind: EEG 중심 멀티모달 바인딩을 통한 발작간 뇌전증모양 방전(IED)의 발생원 수준 검출

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

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

제출 2026-09-09

한국어 초록

발작간 뇌전증모양 방전(IED)의 발생원 수준(source-level) 분석은 뇌전증모양 활동이 어디서 발생할 가능성이 높은지 특성화하는 데 도움을 주므로, 수술 전 평가 및 치료 계획 수립에 중요합니다. IED의 존재 여부를 감지하는 것을 넘어, 이러한 설정은 IED 양성 활동을 임상적으로 유의미한 뇌 영역 범주에 할당하는 것을 요구합니다. 짧은 뇌파(EEG) 윈도우 내의 발생원 영역 증거는 미세하고 부분적일 수 있으며, 피험자 간 변동성, 클래스 불균형, 불완전한 멀티모달 컨텍스트의 영향을 받기 때문에 이 설정은 까다롭습니다. 본 논문에서는 5개 클래스 발생원 수준 IED 분류(classification)를 위한 EEG 중심 멀티모달 바인딩 프레임워크인 EEGBind를 제시합니다. EEGBind는 EEG를 기본 모달리티로 취급하며, 동기화된 비디오 컨텍스트 특징을 EEG 중심 표현 주변에 바인딩합니다. 발생원에 민감한 EEG 표현을 왜곡할 수 있는 초기 융합이나 지나치게 강한 멀티모달 융합에 의존하는 대신, EEGBind는 비디오 컨텍스트를 강건한 분류를 위한 보조 증거로 활용합니다. 또한 학습된 발생원 클래스 경계를 보존하면서 히든셋(hidden-set) 강건성을 개선하기 위해 뷰 일관성 복구(view-consistent repair) 단계가 추가로 사용됩니다. NeuroMM 2026 Grand Challenge Track 3 NMM-Source-IED 벤치마크(benchmark)에서 EEGBind는 가중 F1(weighted-F1) 0.8395를 달성하며 강력한 경쟁 모델들을 능가합니다. 이러한 결과는 EEG 중심 멀티모달 바인딩이 발생원 수준 IED 분류를 위한 실용적인 전략임을 뒷받침합니다. 오픈 소스 코드는 https://github.com/HKUSTGZ-ML4Health-Lab/NeuroMM2026_IED_Detection 에서 확인할 수 있습니다.

원문 초록

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.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.09728v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

공통 태그로 연결된 공개 논문이 아직 없습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.