NeuroCanvas：通过将多通道脑电图重构为图像实现基于VLLM的鲁棒癫痫检测
机器学习
2026-02-10 v2
摘要
从脑电图 (EEG) 中准确、及时地检测癫痫发作对于临床干预至关重要，然而人工审阅长期记录非常耗费人力。最近将 EEG 信号编码到大型语言模型 (LLM) 中的尝试显示出在处理跨不同患者的神经信号方面的潜力，但仍存在两个重大挑战：(1) 多通道异质性，因为癫痫发作相关信息在 EEG 通道间差异很大；(2) 计算效率低下，因为 EEG 信号需要被编码成大量 token 用于预测。为解决这些问题，我们绘制了 EEG 信号并提出了新颖的 NeuroCanvas 框架。具体来说，NeuroCanvas 由两个模块组成：(i) 熵引导通道选择器 (ECS) 选择与癫痫发作相关的通道输入到 LLM，(ii) 随后的神经信号画布 (CNS) 将选定的多通道异构 EEG 信号转换为结构化的视觉表示。ECS 模块缓解了多通道异质性问题，CNS 使用紧凑的视觉 token 来表示 EEG 信号，从而提高了计算效率。我们在多个癫痫检测数据集上评估了 NeuroCanvas，证明 F1 分数显著提高了 20%，推理延迟降低了 88%。这些结果凸显了 NeuroCanvas 作为临床实践中实时、资源高效的癫痫检测的可扩展且有效的解决方案。
引用
@article{arxiv.2602.04769,
title = {NeuroCanvas: VLLM-Powered Robust Seizure Detection by Reformulating Multichannel EEG as Image},
author = {Yan Chen and Jie Peng and Moajjem Hossain Chowdhury and Tianlong Chen and Yunmei Liu},
journal= {arXiv preprint arXiv:2602.04769},
year = {2026}
}