Decoding Biomedical Time Series into Natural Language Using Hybrid Quantum-Classical Transformers

Abstract

The automated interpretation of electroencephalography (EEG) signals into clinically actionable natural language reports is a critical challenge in modern computational neuroscience, with direct implications for the diagnosis and monitoring of neurological disorders such as epilepsy, sleep disorders, and encephalopathies. Classical deep learning architectures perform well on structured biomedical data, yet struggle to capture the high-dimensional, non-stationary complexity of multi-channel neural signals. Concurrently, quantum machine learning (QML) and large language models (LLMs) offer theoretically motivated pathways to overcome these limitations, through quantum-enhanced feature representation and prompt-driven natural language generation respectively. This thesis is centered around academic research and comparative analysis, with no practical implementation undertaken at this stage. It surveys and critically examines the most impactful approaches at the intersection of three transformative paradigms: classical and hybrid deep learning for EEG analysis, hybrid quantum-classical machine learning, and LLM-based clinical report generation. Across these paradigms, the dominant methodologies, representative architectures, and results reported on standard public EEG benchmarks are systematically reviewed and compared. Through this investigation, three critical gaps are identified: the limited expressiveness of purely classical models on non-stationary neural dynamics, the scarcity of resource-efficient hybrid quantum-classical designs suited to near-term quantum hardware, and the absence of grounded, verifiable mechanisms for translating learned representations into trustworthy clinical language. The identified gaps outline concrete directions for future research, particularly toward improving automated EEG interpretation in resource-constrained healthcare environments where access to trained neurologists is limited***

L’interprétation automatisée des signaux d’électroencéphalographie (EEG) en rapports cliniques exploitables en langage naturel constitue un défi majeur de la neuroscience computationnelle moderne, avec des implications directes pour le diagnostic et le suivi des troubles neurologiques tels que l’épilepsie, les troubles du sommeil et les encéphalopathies. Les architectures d’apprentissage profond classiques offrent de bonnes performances sur les données biomédicales structurées, mais peinent à capturer la complexité non-stationnaire et multidimensionnelle des signaux neuronaux multicanaux. Parallèlement, l’apprentissage automatique quantique (QML) et les grands modèles de langage (LLM) ouvrent des voies théoriquement motivées pour surmonter ces limitations, à travers la représentation quantique des caractéristiques et la génération de texte par ingénierie de prompts. Ce mémoire est centré sur la recherche académique et l’analyse comparative, sans implémentation pratique à ce stade. Il passe en revue et examine de manière critique les approches les plus significatives à l’intersection de trois paradigmes transformateurs : l’apprentissage profond classique et hybride pour l’analyse des signaux EEG, l’apprentissage automatique quantique-classique hybride, et la génération de rapports cliniques par grands modèles de langage. À travers ces paradigmes, les méthodologies dominantes, les architectures représentatives et les résultats rapportés sur les jeux de données EEG publics de référence sont systématiquement passés en revue et comparés. Cette investigation permet d’identifier trois lacunes critiques : l’expressivité limitée des modèles purement classiques face aux dynamiques neuronales non-stationnaires, la rareté des conceptions hybrides quantiques-classiques efficaces en ressources et adaptées au matériel quantique à court terme, et l’absence de mécanismes fondés et vérifiables pour traduire les représentations apprises en un langage clinique fiable. Les lacunes identifiées tracent des directions concrètes pour les recherches futures, notamment en vue d’améliorer l’interprétation automatisée de l’EEG dans les environnements médicaux à ressources limitées où l’accès aux neurologues spécialisés est restreint.