Synthesizing Epileptic Seizures: Gaussian Processes for EEG Generation

Resumen Técnico: Síntesis de Crisis Epilépticas: Procesos Gaussianos para la Generación de EEG

Planteamiento del Problema
La detección fiable de crisis mediante electroencefalografía (EEG) es un objetivo clínico crítico, sin embargo, el rendimiento de los métodos de aprendizaje automático se ve frecuentemente limitado por la escasez, los altos costes de adquisición y la heterogeneidad de los datos de EEG etiquetados. Este desafío se ve agravado por la naturaleza intrínseca del EEG epiléptico: es de alta dimensión, no estacionario y exhibe dependencias temporales de largo alcance. Si bien se han aplicado modelos generativos profundos (p. ej., GAN, VAE, modelos de difusión) a la generación de EEG sintético, estos suelen tener dificultades con la síntesis de horizontes largos, no logran escalar a grabaciones multivariantes continuas y carecen de interpretabilidad. Además, los métodos existentes suelen centrarse en segmentos cortos o subconjuntos limitados de canales, fallando en la preservación de la compleja evolución espacio-temporal y las correlaciones entre canales requeridas para un modelado de crisis clínicamente realista.

Metodología: Marco GP-EEG
Los autores proponen GP-EEG, un marco jerárquico e interpretable para generar grabaciones de EEG epiléptico multivariantes, de horizonte largo y específicas de cada paciente. El flujo de trabajo consta de seis etapas distintas:

1. Reducción de la Dimensionalidad: Todas las grabaciones de un paciente específico se concatenan y descomponen mediante la Descomposición en Valores Singulares (SVD). Esto separa los datos en puntuaciones temporales de baja dimensión (que capturan la dinámica compartida) y cargas espaciales (que preservan la estructura intercanal específica del paciente).
2. Detección de Puntos de Cambio y Regresión GP: Las puntuaciones temporales se segmentan en regímenes cuasi-estacionarios (QS) mediante la detección de puntos de cambio fuera de línea (combinando las pruebas KPSS y ADF). Dentro de cada régimen, se ajusta un modelo de regresión de Procesos Gaussianos (GP) utilizando un núcleo cuasi-periódico (que combina núcleos Matérn-3/2 y periódicos) para capturar la estructura temporal local con cuantificación de la incertidumbre.
3. Adaptación de Dominio: Se entrena un Autoencoder Variacional de Memoria a Corto Plazo Convolucional (Conv-LSTM VAE) para mapear la distribución de los datos de sustitución generados por GP al EEG real. Este paso, denominado "EEGificación", refina el contenido espectral y la morfología de la onda mientras preserva las dependencias temporales y espaciales de largo alcance establecidas en las etapas previas.
4. Discretización de Estados de Núcleo y Modelado de Transición: Los hiperparámetros continuos de los GP aprendidos a través de los regímenes se discretizan en un conjunto finito de estados de núcleo mediante agrupamiento (clustering) aglomerativo. Posteriormente, se entrena una cadena de Markov discreta para modelar las probabilidades de transición entre estos estados.
5. Modelado de Procesos de Punto para Puntos de Cambio: El tiempo de los cambios de régimen se modela mediante un proceso de Poisson inhomogéneo ajustado a las ubicaciones de los puntos de cambio observados, proporcionando una distribución fundamentada para el muestreo de los tiempos de los puntos de cambio sintéticos.
6. Generación Sintética y Reconstrucción: Para generar nuevos datos, el modelo muestrea una secuencia de puntos de cambio del proceso de Poisson y una secuencia de estados de núcleo de la cadena de Markov. Se extraen muestras de GP para cada régimen, se concatenan para formar puntuaciones temporales sintéticas y se proyectan de nuevo al espacio de canales completo utilizando las cargas espaciales específicas del paciente. Finalmente, se aplica el Conv-LSTM VAE para producir la grabación de EEG sintética final.

Contribuciones Clave
El artículo describe cuatro contribuciones principales:

1. Marco Interpretable: Introducción de GP-EEG, un flujo de trabajo que combina la compresión de baja dimensión con el modelado temporal explícito basado en regímenes para generar EEG multivariante de largo horizonte y específico de cada paciente.
2. Preservación de la Estructura Espacial: Al generar puntuaciones temporales y reconstruir grabaciones de montaje completo mediante cargas espaciales específicas del paciente, el método mantiene las dependencias intercanales realistas sin depender del aprendizaje de extremo a extremo de las correlaciones espaciales de alta dimensión.
3. Síntesis de Horizonte Largo Tratable: El acoplamiento de la segmentación basada en puntos de cambio con el modelado de GP por régimen y un modelo generativo explícito de la dinámica de los regímenes (cadenas de Markov y procesos de Poisson) permite una síntesis escalable con interpretabilidad y control por etapas.
4. Código Abierto: Los autores se comprometen a liberar el código tras su anonimización.

Resultados Experimentales
El método fue validado en dos conjuntos de datos de código abierto: CHB-MIT (epilepsia pediátrica) y Siena (epilepsia adulta).

• Evaluación Cuantitativa: GP-EEG superó a tres bases de comparación de aprendizaje profundo (TimeVAE, COSCI-GAN e ImagenTime) en cuatro métricas: Diferencia de Distribución Marginal (MDD), Diferencia de Autocorrelación (ACD), Diferencia de Asimetría (SD) y Diferencia de Curtosis (KD). Notablemente, GP-EEG logró la ACD más baja (0.341 en Siena, 0.304 en CHB-MIT), lo que indica una preservación superior de la dinámica temporal.
• Evaluación Cualitativa: Los embeddings t-SNE y las Estimaciones de Densidad de Kernel (KDE) mostraron que las muestras generadas por GP-EEG presentan el solapamiento más cercano con los datos reales tanto en el espacio de embedding como en la distribución de amplitud.
• Utilidad en Tareas Derivadas: En un escenario de "Entrenar con Sintético, Probar con Real" (TSTR), GP-EEG demostró un rendimiento significativamente mejor que las bases de comparación, las cuales fallaron mayoritariamente en aprender características de crisis significativas. En experimentos de aumento de datos, la adición de datos sintéticos de GP-EEG a los conjuntos de entrenamiento reales mejoró las métricas de detección de crisis (Exactitud, Precisión, Sensibilidad, F1) en comparación con los modelos base entrenados únicamente con datos reales.

Significancia y Reclamaciones
Los autores afirman que este es el primer estudio que produce datos de crisis de EEG multivariantes, no estacionarios, de largo horizonte e interpretables. Enfatizan que su enfoque aborda las limitaciones computacionales y de escasez de datos del aprendizaje profundo de extremo a extremo mediante el uso de herramientas matemáticas clásicas (SVD, GP) combinadas con componentes modernos (VAE). El marco está diseñado para apoyar la investigación metodológica en entornos clínicos con escasez de datos, permitiendo el aumento, la prueba de estrés y la evaluación comparativa de algoritmos de aprendizaje. Los autores declaran explícitamente que el uso previsto es para investigación y desarrollo, no para la toma de decisiones clínicas directas, y advierten contra la sobreinterpretación de los datos sintéticos como evidencia clínicamente válida sin una validación adicional.