End-to-End Diffusion Modeling for Clinical EEG Abnormality Detection with Spatial Filtering and Attention

Motivation

• Known: EEGNet, Deep4Net, ChronoNet, TCN 등 딥러닝 기반 EEG 분류 모델들이 TUAB, TUEP와 같은 benchmark에서 우수한 성능을 보여왔으며, DDPM은 Diff-E(imagined speech decoding), DiffMDD(우울증 진단), EEG-DIF(발작 예측) 등 생물의학 신호 처리에서 주로 데이터 생성이나 증강 목적으로 활용되어 왔다.
• Gap: 기존 diffusion 기반 EEG 연구들은 데이터 생성이나 증강에 초점을 맞추었을 뿐, 대규모 임상 데이터셋에서 diffusion을 end-to-end 판별적 분류의 핵심 구성요소로 직접 활용한 사례는 없었다.
• Why: 임상 EEG 판독은 여전히 전문가의 주관적이고 노동집약적인 시각적 검사에 의존하고 있어, diffusion의 denoising 능력을 판별적 분류에 직접 결합함으로써 신호의 이질성과 노이즈, 개인 간 변동성 문제를 해결하는 자동화된 접근이 임상적으로 중요하다.
• Approach: DDPM backbone을 판별 분류를 위한 보조 denoising prior로 재해석하여, learnable spatial filter, SDA, CBAM을 conditional autoencoder(CAE) 및 classification head와 결합한 통합 encoder-decoder 구조를 2단계(생성적 diffusion 학습 후 detach, 판별적 CAE·분류기 학습)로 학습시킨다.

Achievement

Figure 2. Average difference in Grad-CAM scalp distributions.

1. 일관된 성능 향상: TUAB와 TUEP 두 대규모 임상 EEG corpus에서 EEGNet, Deep4Net, ChronoNet, TCN, Diff-E 등 기존 baseline 대비 accuracy와 AUC-ROC에서 가장 일관된 성능 향상을 달성했다.
2. 데이터셋별 최적 구성 규명: ablation 분석을 통해 TUAB에서는 spatial filtering+SDA 조합이, TUEP에서는 SDA+CBAM 조합이 최적임을 밝혀 구성요소의 효과가 데이터셋 특성에 의존함을 보였다.
3. 임상적으로 타당한 해석성 확보: Grad-CAM 기반 분석을 통해 모델이 학습한 공간적 패턴이 기존에 알려진 신경생리학적 biomarker와 broadly 일치함을 시각적으로 입증했다.

How

Figure 1. Overview of DiffSA-EEG. The DDPM backbone gen-

• DDPM backbone: forward diffusion으로 생성된 noisy signal Xt로부터 time-conditional U-Net이 원본 신호 X0를 직접 재구성(노이즈가 아닌 신호 자체를 예측)하도록 학습하여 보조 denoising prior 역할 수행
• Learnable Spatial Filter(SF): SVD 기반 dominant spatial basis U와 학습 가능한 projection matrix Wf를 이용해 채널 차원을 축소(F = WfU⊤X0)
• Stacked Denoising Autoencoder(SDA): latent feature에 Gaussian noise(σ=0.05)를 주입한 3개의 stacked convolutional layer로 noise-invariant representation 학습
• CBAM 및 self-attention: residual convolution block 이후 channel/temporal attention 적용, encoder 각 단계 후 self-attention으로 장거리 시간적 의존성 포착
• Conditional Autoencoder(CAE): DDPM 중간 layer로부터의 skip connection을 통해 diffusion 재구성 오차를 Smooth L1 loss로 보정
• 2단계 학습: Stage 1에서 LDDPM(L1 reconstruction loss)으로 diffusion backbone을 독립적으로 학습 후 detach, Stage 2에서 LCAE + α·LCLS(α=0.1)로 CAE와 classification head를 학습하여 생성-판별 목적 간 충돌 방지
• TUAB(v3.0.1, 2,993 recordings)와 TUEP(v2.0.1, k-means SMOTE로 클래스 균형화된 recordings)에서 21채널(10-20 system), 250Hz, 1Hz high-pass·60Hz notch filter, 60초 구간 time-reversal augmentation 적용
• bootstrap 기반 two-sample test(10,000 resample)로 통계적 유의성 검증, 10회 독립 실행(mean±SE) 보고

Originality

• 기존 diffusion 기반 EEG 연구가 대부분 데이터 생성·증강에 초점을 맞춘 것과 달리, DDPM을 판별적 분류를 위한 보조 denoising objective로 재해석하여 end-to-end 파이프라인에 통합
• 생성적 diffusion 학습과 판별적 분류 학습을 명시적으로 2단계로 분리(detach)하여 classification gradient가 generative reconstruction target을 왜곡하지 않도록 설계한 점
• spatial filter, SDA, CBAM을 하나의 encoder-decoder 구조 내에 결합하고, 데이터셋별로 최적 조합이 다르다는 것을 체계적 ablation으로 규명
• Grad-CAM을 활용해 diffusion 기반 판별 모델의 공간적 해석성을 신경생리학적 biomarker와 연결한 분석 시도

Limitation & Further Study

• TUEP의 경우 recording 수가 적고(exclusion 이후 317 non-epileptic vs 1,275 epileptic) SMOTE 기반 오버샘플링이 전체 데이터셋에 적용되어 partition 전에 이루어져 데이터 누수(leakage) 가능성에 대한 추가 검증이 필요해 보인다.
• Diff-E 대비 성능 향상 폭이 일부 지표(TUEP의 balanced accuracy 등)에서 크지 않아 통계적으로는 유의하더라도 실질적 임상 효과 크기에 대한 논의가 부족하다.
• ablation에서 최적 구성이 데이터셋마다 다르다는 결과는 일반화 가능성에 의문을 남기며, 새로운 임상 코호트나 다른 병리에 대한 외적 타당성(external validity) 검증이 필요하다.
• Grad-CAM 해석성 분석이 정성적 수준에 머물러 있어, 정량적 biomarker 일치도 평가나 임상 전문가에 의한 blind evaluation 등 후속 검증이 요구된다.
• 2단계 학습으로 인한 계산 비용 증가와 diffusion timestep(T=1000) 선택에 대한 민감도 분석이 제시되지 않았다.

Evaluation

총평: diffusion을 생성이 아닌 판별적 분류의 보조 denoising prior로 재해석한 참신한 접근으로, 두 대규모 임상 EEG corpus에서 일관된 성능 향상과 해석 가능한 결과를 보여주었으나 데이터 누수 가능성 및 일반화에 대한 추가 검증이 필요한 워크숍 수준의 견실한 연구이다.