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 have demonstrated strong performance on structured biomedical data, yet they systematically struggle to capture the high-dimensional, non-stationary complexity of multi-channel neural signals. Concurrently, the emergence of quantum machine learning (QML) and large language models (LLMs) offers new and 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 signal analysis, hybrid quantum-classical machine learning, and LLM-based clinical report generation. Through this investigation, three critical gaps in the existing literature are identified, and the QASA-EEG framework is proposed as a theoretically grounded response, combining the Quantum Adaptive Self-Attention (QASA) module with a classical Transformer backbone and a prompt-driven LLM interface, analytically evaluated against the Temple University Hospital EEG Corpus (TUH EEG) spanning six clinical sub-corpora and over 1.14 million EEG segments. The findings of this work have the potential to significantly improve the efficiency and clinical applicability of automated EEG interpretation, particularly in resource-constrained healthcare environments where access to trained neurologists is limited. The proposed framework is applicable to a broad range of clinical scenarios, including epilepsy monitoring, abnormality detection, neurological event classification, and the automated generation of structured diagnostic reports.***

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 ont démontré de bonnes performances sur les données biomédicales structurées, mais peinent systématiquement à capturer la complexité non-stationnaire et multidimensionnelle des signaux neuronaux multicanaux. L’émergence de l’apprentissage automatique quantique (QML) et des grands modèles de langage (LLM) ouvre de nouvelles 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. 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 cette investigation, trois lacunes critiques sont identifiées dans la littérature existante, et le cadre QASA-EEG est proposé comme réponse théoriquement fondée, combinant le module d’Attention Adaptative Quantique (QASA) avec un backbone Transformer classique et une interface LLM pilotée par ingénierie de prompts, évalué analytiquement sur le corpus EEG de l’Hôpital Universitaire Temple (TUH EEG) couvrant six sous-corpus cliniques et plus de 1,14 million de segments EEG. Les résultats de ce travail ont le potentiel d’améliorer significativement l’efficacité et l’applicabilité clinique de l’interprétation automatisée des signaux EEG, notamment dans les environnements médicaux à ressources limitées où l’accès aux neurologues spécialisés est restreint. Le cadre proposé est applicable à un large éventail de scénarios cliniques, incluant la surveillance de l’épilepsie, la détection d’anomalies, la classification d’événements neurologiques, et la génération automatisée de rapports diagnostiques structurés.