Robust Sparse Bayesian Learning Based on Minimum Error Entropy for Noisy High-Dimensional Brain Activity Decoding

Resumen Técnico: Aprendizaje Bayesiano Disperso Robusto Basado en la Entropía de Error Mínima para la Decodificación de la Actividad Cerebral de Alta Dimensión y con Ruido

Planteamiento del Problema
La decodificación de la actividad cerebral enfrenta dos desafíos primordiales: el problema de "alta dimensión y bajo número de muestras" y la presencia de ruido complejo no gaussiano. Los métodos tradicionales de aprendizaje automático, como los Mínimos Cuadrados Ordinarios (OLS), sufren de sobreajuste en entornos de alta dimensión (por ejemplo, vóxeles de fMRI o canales de EEG/ECoG) donde el número de características supera al número de muestras de entrenamiento. Aunque el Aprendizaje Bayesiano Disperso (SBL) ofrece un marco para eliminar automáticamente las características irrelevantes mediante la Determinación de Relevancia Automática (ARD), el SBL convencional depende de funciones de verosimilitud basadas en distribuciones de datos idealizadas (por ejemplo, gaussianas o de Bernoulli). Estas suposiciones a menudo fallan al capturar las mezclas de ruido no gaussiano complejas inherentes a los registros neuronales (por ejemplo, artefactos fisiológicos, ruido ambiental), lo que conduce a un deterioro del rendimiento en escenarios del mundo real. Los métodos robustos existentes, como los basados en el Criterio de Máxima Correntropía (MCC), a menudo carecen de un control de dispersión explícito o requieren una sintonización compleja de hiperparámetros, lo que los hace menos adecuados para la decodificación de alta dimensión.

Metodología
Los autores proponen SBL-MEE, un marco de Aprendizaje Bayesiano Disverso (SBL) robusto que integra el criterio de aprendizaje de Entropía de Error Mínima (MEE) en el esqueleto del SBL. La innovación central radica en la reformulación del proceso de inferencia bayesiana bajo un paradigma bayesiano generalizado (también conocido como el marco de la posterior de Gibbs).

1. Formulación de la Posterior Generalizada: En lugar de depender de una función de verosimilitud estándar derivada de una suposición de densidad probabilística, el método utiliza la pérdida inducida por MEE ($L_{MEE}$) para impulsar la actualización de la posterior. La posterior generalizada se define como:
   $$\tilde{p}(w, a|t) \propto \exp(-L_{MEE}) p(w|a)p(a)$$
   donde $w$ representa los parámetros del modelo, $a$ representa los parámetros de relevancia (control de dispersión), y $p(w|a)p(a)$ son los priors gaussianos jerárquicos. Esta formulación equilibra la minimización del riesgo empírico (vía MEE) con la regularización de dispersión (vía priors).

2. Gestión de Regresión y Clasificación:

   • Regresión: El objetivo MEE se aproxima utilizando MEE Cuantizada (QMEE) para reducir la complejidad computacional de $O(N^2)$ a $O(MN)$, donde $M$ es el tamaño de un libro de códigos de cuantización.
   • Clasificación: Para abordar la naturaleza multimodal de los errores de clasificación (falsos negativos, verdaderos positivos, falsos positivos), los autores emplean MEE Restringida (RMEE). Esta utiliza un libro de códigos fijo $\{0, -1, 1\}$ para modelar explícitamente la distribución de error trimodal, asegurando que la optimización apunte a la estructura de error correcta.

3. Inferencia Variacional y Optimización: Dado que la posterior generalizada es intratable, los autores derivan un algoritmo de aprendizaje utilizando Inferencia Variacional con factorización de campo medio. Emplean una aproximación Laplaciana para aproximar la posterior no gaussiana de los pesos como una distribución gaussiana. El algoritmo actualiza iterativamente los parámetros del modelo ($w$) utilizando métodos basados en gradiente (punto fijo para regresión, cuadrático semidefinido para clasificación) y actualiza los parámetros de relevancia ($a$) para imponer la dispersión.

Contribuciones Clave

1. Marco Novedoso: La propuesta de SBL-MEE, un marco unificado aplicable tanto a la regresión como a la clasificación, que utiliza MEE como el objetivo de optimización para la actualización de la posterior dentro de un entorno bayesiano generalizado.
2. Derivación Algorítmica: La derivación de un algoritmo de aprendizaje tratable utilizando inferencia variacional y aproximación Laplaciana para estimar los parámetros del modelo para la posterior de MEE generalizada.
3. Evaluación Exhaustiva: Evaluación en dos tareas de decodificación cerebral del mundo real:
   • Regresión: Reconstrucción de trayectoria de movimiento basada en ECoG (datos de mono).
   • Clasificación: Reconstrucción de estímulo visual basada en fMRI (datos humanos).
4. Análisis de Interpretabilidad: Demostración de que el método propuesto genera patrones de decodificador que no solo son estadísticamente superiores, sino también más fisiológicamente plausibles en comparación con los métodos existentes.

Resultados Experimentales
El algoritmo SBL-MEE se comparó contra el SBL convencional (verosimilitudes gaussianas/Bernoulli), el estado del arte SBCL (basado en MCC), la regresión Ridge y Lasso.

• Rendimiento: Tanto en la tarea de regresión (ECoG) como en la de clasificación (fMRI), SBL-MEE logró un rendimiento de decodificación superior, evidenciado por coeficientes de correlación más altos y errores cuadráticos medios (RMSE) más bajos en comparación con todos los modelos base. Esta superioridad se mantuvo incluso bajo condiciones desafiantes con tamaños de datos de entrenamiento significativamente reducidos (escenarios de alta dimensión y bajo número de muestras).
• Interpretabilidad Fisiológica:
  • ECoG (Motor): SBL-MEE identificó pesos espaciales concentrados en áreas corticales relevantes para el movimiento (por ejemplo, surcos de la Arqueada y Principal), pesos temporales enfocados en retardos cercanos al inicio del movimiento y pesos de frecuencia dominados por bandas gamma altas. Estos patrones se alinearon estrechamente con los principios neurocientíficos conocidos del control motor, mientras que otros métodos produjeron patrones difusos o menos específicos.
  • fMRI (Visual): SBL-MEE produjo mapas retinotópicos con estructuras diagonales fuertes (coincidencia de excentricidad) y distribuciones de peso que favorecen la corteza visual primaria (V1) y los campos visuales centrales. Esto demostró un mayor grado de plausibilidad fisiológica en comparación con los patrones uniformes o excesivamente extendidos de Ridge, Lasso y el SBL estándar.

Significancia
El artículo afirma que SBL-MEE proporciona una herramienta poderosa para mejorar la decodificación de la actividad cerebral, particularmente en entornos ruidosos y de alta dimensión típicos de la investigación en Interfaz Cerebro-Computadora (BCI) y neurociencia. Al desacoplar el control de la dispersión (gestionado por el prior bayesiano) de la robustez al ruido (gestionada por el criterio MEE), el método evita la necesidad de una sintonización manual de la dispersión mientras maneja eficazmente el ruido no gaussiano. Los autores enfatizan que, aunque la Entropía de Error Mínima no se construye a partir de una distribución probabilística arbitraria, es altamente efectiva para establecer una inferencia robusta al ruido dentro del método de aprendizaje bayesiano disperso, promoviendo así las aplicaciones de ingeniería biomédica.