ICU 환경에서 이벤트 기반 버스트 억제 감지를 위한 EEG 기초 모델 평가

Evaluation of EEG Foundation Models for Event-Based Burst-Suppression Detection in ICU

버스트 억제(BS)는 중환자, 특히 중증 환자 치료실(ICU)에서의 유도성 혼수상태 동안 진정 깊이와 뇌 활동을 모니터링하는 데 사용되는 임상적으로 중요한 뇌파(EEG) 패턴입니다. 자동 버스트 감지는 BS 패턴이 환자마다 크게 다르기 때문에 여전히 어려운 과제이며, 어노테이션 데이터 세트도 부족합니다. 최근 EEG 기초 모델(FM)은 다양한 하위 작업에서 유망한 결과를 보여주었지만, BS 감지에 대한 유용성은 아직 탐구되지 않았습니다. 본 연구에서는 환자별 보정 없이 간소화된 뇌파 측정법을 사용하여 버스트 감지를 위한 EEG FM을 평가하는 첫 번째 연구를 제시합니다. REVE-base, LUNA-large 및 LuMamba-Tiny 모델을 적응형 임계값 기준 모델과 작업 전용 EEGNet 기준 모델과 비교했습니다. 또한, 기존의 뇌파 창 기반 분류와 함께 이벤트 기반 버스트 감지 평가를 수행하여 임상적으로 버스트 에피소드가 정확하게 감지되는지 확인하고 예상되는 어노테이션 변동성의 영향을 줄였습니다. 가장 우수한 성능을 보인 모델인 REVE-base는 최고 수준의 이벤트 기반 F1 점수($0.868 eq 0.167$)를 달성했으며, EEGNet 및 적응형 임계값 기준 모델에 비해 분당 버스트 오류를 각각 52.1% 및 36.2% 줄였습니다. 이는 ICU에서의 확장 가능한 뇌파 모니터링을 위한 FM의 가능성을 뒷받침합니다. 어블레이션 실험 결과, 전체 미세 조정(full fine-tuning)이 frozen-backbone 학습, 두 단계 미세 조정 및 LoRA 기반 적응과 비교하여 가장 효과적인 적응 전략임을 확인했으며, 특히 LUNA-large 모델의 경우 이벤트 기반 F1 점수를 최대 $+0.102$만큼 향상시켰습니다. 제한된 라벨링 데이터 세트에서 사전 학습된 REVE-base는 무작위 초기화에 비해 전체 환자 집단의 25%에서 이벤트 기반 F1 점수가 $+0.723$만큼 우수했으며, 이는 제한된 라벨링 데이터를 사용하여 버스트 감지에 FM 표현을 적용할 때 사전 학습의 이점을 입증합니다.

Burst suppression (BS) is a clinically relevant electroencephalographic (EEG) pattern used to monitor sedation depth and brain activity in critically ill patients, particularly during induced coma in Intensive Care Units (ICUs). Automatic burst detection remains challenging because BS patterns vary substantially between patients and annotated datasets are scarce. Recently, EEG Foundation Models (FMs) have shown promise across several downstream EEG applications, but their usefulness for BS detection remains unexplored. We present the first study to evaluate EEG FMs for burst detection in reduced-montage ICU EEG without patient-specific calibration. We compare REVE-base, LUNA-large and LuMamba-Tiny with an adaptive thresholding baseline and a task-specific EEGNet baseline. Additionally, we complement conventional EEG window-based classification with event-based burst detection evaluation. This helps assessing clinically whether burst episodes are correctly detected, reducing the impact of expected annotation variability. The best model, REVE-base, achieved the highest event-based F1-score ($0.868 \pm 0.167$) and reduced burst-per-minute error by 52.1% and 36.2% compared to EEGNet and adaptive thresholding respectively, supporting FMs for scalable EEG monitoring in ICU. Ablation experiments showed that full fine-tuning was the most effective adaptation strategy with respect to frozen-backbone training, two-step fine-tuning, and LoRA-based adaptation, improving event-based F1-score over frozen-backbone training by up to $+0.102$ for LUNA-large. With reduced labeled datasets, pretrained REVE-base outperformed random initialization by $+0.723$ event-based F1 points at 25% of the cohort, demonstrating the benefit of pretraining FM representations when adapted to burst detection with limited labeled data.