Hybrid Latent Generative Modelling for Multichannel Seizure EEG: Capacity-Matched Evaluation and Clinical Transfer on TUH-SZ

Abstract

Epileptic seizures remain difficult to detect automatically from continuous scalp electroencephalography, in part because ictal events are rare relative to non-seizure activity and because models must generalise across patients. This dissertation asks whether a hybrid Style-qGAN can model scarce seizure representations more faithfully than a capacity-matched classical generator under a shared critic, and whether any such advantage improves a seizure detector on held-out patients from the Temple University Hospital seizure corpus. Multichannel windows of 1.28 s are mapped by a reconstruction-gated convolutional autoencoder into a 64-dimensional latent vector on TUH-SZ patient-disjoint official holdouts; a hybrid eightqubit Style-qGAN (circuit plus Linear 8 ! 64, 704 parameters, of which 82% are classical) is compared to an auto-sized 709-parameter twin, a Gaussian mixture and a Fourier function-class reference, all under a shared Wasserstein critic with checkpoint selection by holdout MMD; synthetic windows are packed into 10.24 s clips and mixed into training of an STFT–BiLSTM detector scored on real holdout clips only. Three evaluation levels are never equated: latent MMD2, decoded signal structure, and downstream AUROC. Under the default critic the hybrid Style-qGAN beats the equal-budget twin on holdout latent MMD2 (0.016 versus 0.088), reproducibly at depth L=2 and under a pooled bottleneck; entanglement monotonically worsens the hybrid score; a classical Fourier generator outranks the circuit; a thin critic reverses the rematch; and the mixture remains closest to real codes. At the operating synthetic dose the latent winner moves primary AUROC by +0.0004, an interval containing zero, against a real-only baseline of 0.821, while the twin (+0.005) and the mixture (+0.010) record the significant lifts; the null survives halving the register to four qubits, and at 50% generator training data the hybrid records an exploratory ΔAUROC of +0.019, gone at full data. Capacity-matched wins on latent metrics are therefore real but decompose into inductive bias and optimisation effects, and do not certify task utility; the protocol, not the circuit alone, is the transferable contribution.***

La détection automatique des crises d’épilepsie à partir d’électroencéphalogrammes de scalp continus demeure difficile, notamment parce que les événements ictaux sont rares face à l’activité non critique et parce que les modèles doivent généraliser d’un patient à l’autre. Cette dissertation demande si un Style-qGAN hybride modélise les représentations de crise plus fidèlement qu’un générateur classique à budget total de paramètres égal, sous un critique partagé, et si un tel avantage améliore un détecteur sur des patients tenus à l’écart, sur le corpus de crises de l’Université Temple. Des fenêtres de 1,28 s sont projetées par un autoencodeur à seuil de reconstruction dans un code de dimension 64; un Style-qGAN hybride à huit qubits (circuit plus application linéaire 8!64, 704 paramètres dont 82% sont classiques) et des contrôles classiques sont entraînés contre un critique de Wasserstein partagé; les fenêtres synthétiques sont assemblées en extraits de 10,24 s et mélangées à l’entraînement d’un détecteur STFT–BiLSTM, toujours évalué sur des extraits réels de hold-out. Le programme distingue un jumeau classique à capacité égale d’un réseau plus large (utilisable seulement s’il converge) et d’un mélange gaussien, et rapporte trois niveaux jamais identifiés: MMD latente, structure décodée, et AUROC aval. Sur cette architecture, le Style-qGAN hybride bat le perceptron multicouche à budget égal sur la MMD latente, tandis qu’un mélange gaussien reste plus proche des codes réels et que l’intrication supplémentaire n’aide pas. Cette victoire latente ne se transfère pas à l’AUROC primaire à dose synthétique pleine: la baseline sans augmentation atteint déjà 0,821, l’augmentation hybride déplace l’AUROC de +0,0004 (intervalle contenant zéro), et le mélange ou le jumeau portent les hausses significatives. Lorsque le générateur n’est entraîné que sur la moitié des codes disponibles, le classement change: le ΔAUROC hybride est de +0,019, plus grand que celui du jumeau et du mélange, sur le même détecteur, cellule exploratoire de rareté et non une loi. La contribution est donc une évaluation contrôlée de la génération hybride latente pour l’EEG multi-canaux rare: un classement antagoniste à capacité égale qui se décompose en biais inductif et effets d’optimisation, sans constituer à lui seul une affirmation clinique à données pleines.