Graph Neural Networks in EEG-based Emotion Recognition: A Survey

Esta encuesta presenta un marco unificado para la construcción de Redes Neuronales de Grafos (GNN) en el reconocimiento de emociones basado en EEG, analizando métodos existentes, destacando las particularidades fisiológicas de las dependencias cerebrales y proponiendo desafíos futuros como el grafo temporal totalmente conectado y la condensación de grafos.

Lo esencial

¡Claro que sí! Imagina que este artículo es como un mapa del tesoro para una nueva forma de leer las emociones humanas. En lugar de usar un mapa de papel, los autores han creado una guía para usar una herramienta muy potente llamada Redes Neuronales de Grafos (GNN) para entender lo que pasa en nuestro cerebro cuando sentimos alegría, tristeza o enojo.

Aquí te lo explico como si estuviéramos contando una historia:

🧠 El Problema: Leer la mente sin palabras

Imagina que tu cerebro es una ciudad gigante llena de millones de personas (las neuronas) que viven en diferentes barrios (las regiones cerebrales). Cuando sientes una emoción, no es solo un vecino gritando; es que todo el barrio empieza a bailar, a conversar y a moverse de una forma específica.

Antes, los científicos intentaban escuchar a una sola persona o a un solo barrio para saber qué sentías. Pero eso no funciona bien porque las emociones son un baile colectivo. Necesitas entender cómo se conectan todos los barrios entre sí.

🕸️ La Solución: El "Grafo" (La Red de Conexiones)

Aquí es donde entran las Redes Neuronales de Grafos (GNN).
Imagina que el cerebro es un sistema de metro.

• Las estaciones son los electrodos que ponemos en tu cabeza (los sensores).
• Las líneas de tren son las conexiones entre esas estaciones.

El problema es que no sabemos exactamente qué líneas de tren están activas cuando estás feliz o triste. Las GNN son como un ingeniero de tráfico inteligente que intenta dibujar el mapa de esas líneas en tiempo real para predecir tu emoción.

🏗️ Los Tres Pasos para Construir el Mapa (La Guía del Artículo)

Los autores dicen: "¡Esperen! No todos los ingenieros dibujan el mapa igual". Para ayudar a los nuevos ingenieros, han dividido el proceso en tres etapas, como si estuvieras construyendo una casa:

1. El Nivel de los Ladrillos (Nodos)

• ¿Qué usamos? Antes de conectar las líneas, necesitas saber qué materiales tienes. ¿Usamos solo el sonido del tren (señal cruda)? ¿Usamos la velocidad (frecuencia)? ¿O mezclamos todo?
• La analogía: Es como decidir si construyes la casa solo con madera, solo con ladrillos, o con una mezcla de ambos. Algunos científicos usan solo un tipo de dato, otros mezclan varios para tener una visión más completa.

2. El Nivel de las Líneas (Bordes)

• ¿Cómo conectamos? Ahora que tienes los ladrillos, ¿cómo decides qué estaciones están conectadas?
  • Opción A (Independiente): Usas un mapa antiguo que ya sabemos que es correcto (como la distancia física entre dos electrodos en tu cabeza). Es como decir: "Si las estaciones están cerca, seguro están conectadas".
  • Opción B (Dependiente): Dejas que la computadora aprenda las conexiones mientras estudia. Es como si el ingeniero de tráfico aprendiera en tiempo real: "¡Oh, hoy el tren va de la estación A a la C, aunque están lejos!".
• La analogía: ¿Dibujas las líneas de metro basándote en la geografía de la ciudad, o dejas que el tráfico real decida dónde poner las vías?

3. El Nivel de la Estructura (El Grafo)

• ¿Cómo organizamos todo? Una vez que tienes ladrillos y líneas, ¿cómo arman el edificio final?
  • Multigrafo: Construyes varios mapas a la vez (uno para el tiempo, otro para la frecuencia) y los pones uno encima del otro.
  • Grafo Jerárquico: Agrupas los barrios. Primero ves qué pasa dentro de un vecindario, luego cómo se conectan los vecindarios entre sí.
  • Grafo de Tiempo: Imaginas que el mapa cambia segundo a segundo, como un video en lugar de una foto fija.
  • Grafo Escaso: En lugar de conectar todo con todo (lo cual es un caos), solo conectas las líneas más importantes y borras el ruido. Es como limpiar una habitación desordenada para encontrar lo esencial.

🔮 ¿Qué viene después? (El Futuro)

El artículo termina diciendo: "Hemos hecho un gran trabajo, pero todavía hay cosas por mejorar". Imaginan el futuro así:

1. El Metro Completo en el Tiempo: Ahora solo conectamos la estación A de hoy con la estación A de mañana. Pero en el futuro, queremos conectar la estación A de hoy con la estación B de mañana. ¡Es como entender que un tren que sale ahora puede afectar a otro tren que sale en otra parte de la ciudad más tarde!
2. Condensar el Grafo: A veces tenemos demasiados electrodos (demasiadas estaciones). Sería genial tener una "máquina mágica" que reduzca el mapa gigante a uno pequeño y rápido, sin perder la información importante.
3. El Cuerpo Entero: No solo miramos el cerebro (el cerebro), sino que conectamos el mapa cerebral con el corazón y otros órganos. Porque cuando sientes miedo, tu corazón late más rápido. Un mapa que une cerebro y corazón sería mucho más preciso.

🎯 En Resumen

Este artículo es una guía maestra para los científicos que quieren usar la inteligencia artificial para leer emociones. Les dice: "No inventen la rueda de nuevo. Aquí tienen las tres formas de elegir los datos, las dos formas de conectarlos y las cuatro formas de organizarlos. ¡Usen esto para construir mejores sistemas!"

Es como pasar de intentar adivinar el clima mirando solo una nube, a tener un satélite completo que entiende cómo se mueven todas las nubes, el viento y la temperatura al mismo tiempo.

Resumen técnico

Resumen Técnico: Redes Neuronales de Grafos en el Reconocimiento de Emociones basado en EEG

1. Problema y Contexto

El reconocimiento de emociones es fundamental para aplicaciones como el diagnóstico de trastornos mentales y las Interfaces Cerebro-Computadora (BCI). Aunque existen múltiples manifestaciones de las emociones (lenguaje corporal, voz, expresión facial), la Electroencefalografía (EEG) se considera la modalidad más única y vital porque refleja directamente la actividad neuronal coordinada y la transmisión de señales eléctricas en el cerebro, ofreciendo una visión objetiva y genuina de los estados emocionales.

El desafío principal radica en que las emociones no son estáticas en un solo canal; surgen de interacciones complejas y dependencias entre diferentes regiones cerebrales. Los métodos tradicionales de análisis a menudo fallan en capturar estas dependencias espaciales y temporales de manera efectiva. Si bien las Redes Neuronales de Grafos (GNN) han surgido como una herramienta poderosa para modelar estas dependencias en neurociencia de redes, existe una falta de revisión integral y de guías unificadas para su construcción en este dominio específico. A diferencia de otras series temporales, las dependencias en el EEG emocional tienen bases fisiológicas específicas que requieren un tratamiento especializado.

2. Metodología: Marco Unificado de Clasificación

Los autores proponen un marco unificado para categorizar y analizar las GNN existentes en el reconocimiento de emociones basado en EEG. En lugar de clasificar por arquitectura de modelo, dividen el proceso de construcción del grafo en tres etapas críticas:

1. Etapa a Nivel de Nodo (Node-level Stage): Selección de las características que representan los nodos del grafo.
2. Etapa a Nivel de Arista (Edge-level Stage): Cálculo de la matriz de aristas que representa la conectividad entre los electrodos.
3. Etapa a Nivel de Grafo (Graph-level Stage): Construcción de la estructura global del grafo para inferir dependencias.

Detalle de las Categorías:

• A Nivel de Nodo:

  • Nodos Univariados: Utilizan una sola característica.
    • Dominio Temporal: El más común, especialmente la Entropía Diferencial (DE).
    • Dominio de Frecuencia: Utiliza la Densidad Espectral de Potencia (PSD).
    • Señal Cruda: Usa la señal EEG sin procesar (menos común debido al ruido individual, pero permite entrenamiento end-to-end).
  • Nodos Híbridos: Fusionan múltiples características (ej. temporal y frecuencial) para capturar dependencias complementarias, aunque aumentan la dimensionalidad y el riesgo de sobreajuste.

• A Nivel de Arista (Conectividad):

  • Independientes del Modelo: Se basan en conocimiento previo fisiológico o procesamiento de señales sin parámetros aprendidos.
    • Prioridad: Basado en distancias físicas entre electrodos (ej. estándar 10-20).
    • Distancia: Cálculo de distancias vectoriales (Euclidiana, Coseno, Índice de Retraso de Fase).
    • Similitud: Cálculo de correlaciones (Pearson, Información Mutua, Valor de Bloqueo de Fase).
  • Dependientes del Modelo: Los parámetros del modelo se utilizan para calcular o actualizar las aristas dinámicamente durante el entrenamiento.
    • Paramétricas: La matriz de aristas es un parámetro aprendido directamente.
    • Ponderadas: Las relaciones de nodos se multiplican por pesos aprendidos.
    • Sesgo (Bias): Se añaden parámetros como términos de sesgo a las relaciones.
    • Subespacio: Proyección de nodos en un subespacio para obtener similitudes (similar a mecanismos de atención).

• A Nivel de Grafo (Estructura):

  • Multigrafo: Construye múltiples grafos simultáneamente para capturar diferentes tipos de dependencias (ej. Horizontal/Vertical, Temporal/Frecuencial, Local/Global).
  • Grafo Jerárquico: Agrupa canales para inferir dependencias intra-región y entre regiones. Puede ser dinámico (se adapta al sujeto) o predeterminado (basado en conocimiento anatómico).
  • Grafo de Series Temporales: Descompone la señal en rebanadas temporales para modelar dependencias a lo largo del tiempo, ya sea mediante grafos temporales o codificadores temporales (LSTM, Transformers).
  • Grafo Disperso (Sparse): Filtra conexiones irrelevantes para retener solo las conexiones esenciales relacionadas con la emoción, reduciendo el ruido y la complejidad computacional.

3. Contribuciones Clave

El artículo ofrece las siguientes contribuciones principales:

1. Primera Encuesta Integral: Es la primera y única revisión sistemática dedicada exclusivamente a las GNN en el reconocimiento de emociones basado en EEG.
2. Marco de Clasificación Unificado: Propone una taxonomía novedosa basada en las tres etapas de construcción del grafo (Nodo, Arista, Grafo), proporcionando una guía clara para diseñar nuevas arquitecturas.
3. Diferenciación Fisiológica: Destaca cómo las GNN en este campo difieren de las de otras series temporales debido a las bases fisiológicas de las dependencias cerebrales.
4. Direcciones Futuras: Identifica desafíos abiertos y propone nuevas direcciones de investigación.

4. Resultados y Hallazgos

Aunque el artículo es una encuesta y no presenta un nuevo modelo experimental, sus hallazgos analíticos incluyen:

• Dominio de la Entropía Diferencial (DE): La característica más utilizada en la etapa de nodo es la DE en el dominio temporal.
• Preferencia por Dependencias Independientes: Muchas metodologías iniciales utilizan aristas basadas en conocimiento previo (distancia física) por su estabilidad, aunque las aristas dependientes del modelo ofrecen mayor flexibilidad para capturar relaciones complejas.
• Complejidad vs. Rendimiento: Los enfoques de Multigrafo y Series Temporales ofrecen una representación más completa de las dependencias emocionales, pero a costa de una mayor carga computacional.
• Necesidad de Adaptabilidad: Se observa que las estructuras jerárquicas dinámicas son prometedoras para manejar las diferencias individuales entre sujetos, un problema común en el EEG.

5. Significado y Direcciones Futuras

La encuesta subraya que las GNN han facilitado enormemente el avance en el reconocimiento de emociones, permitiendo ir más allá de los métodos tradicionales. Los autores proponen cuatro direcciones futuras críticas:

1. Grafo Temporal Completamente Conectado: Actualmente, los grafos temporales a menudo ignoran las relaciones entre diferentes electrodos a través del tiempo (relaciones hetero-electrodo). Un grafo temporal totalmente conectado podría capturar respuestas asincrónicas entre regiones cerebrales, mejorando la precisión.
2. Condensación de Grafos (Graph Condensation): Dado que los grafos completos generan redundancia y ruido, técnicas para comprimir la estructura del grafo manteniendo la información esencial emocional podrían acelerar el entrenamiento y mejorar la eficiencia.
3. Grafos Heterogéneos: Integrar múltiples señales fisiológicas (ej. EEG, frecuencia cardíaca, sudoración) en un solo grafo heterogéneo para capturar la regulación emocional a través de múltiples sistemas corporales, no solo el cerebro.
4. Grafos Dinámicos: Avanzar desde grafos que se actualizan durante el entrenamiento hacia grafos cuya estructura cambia dinámicamente en el tiempo (a nivel de estructura), reflejando la evolución real de las dependencias cerebrales durante una emoción.

Conclusión:
Este trabajo establece un estándar para la investigación futura en GNN aplicadas al EEG emocional, proporcionando una hoja de ruta estructurada para diseñar modelos que respeten tanto la complejidad matemática de los grafos como la fisiología subyacente del cerebro humano.