Towards Causality-Aware Modeling for Multimodal Brain-Muscle Interactions

Resumen Técnico: Modelado Consciente de la Causalidad para Interacciones Multimodales Cerebro-Músculo

1. Planteamiento del Problema

La caracterización robusta de las interacciones causales dinámicas en señales biomédicas multivariadas es fundamental para avanzar en el diagnóstico y tratamiento de trastornos neurológicos. Sin embargo, los enfoques actuales presentan limitaciones significativas:

• Métodos Probabilísticos (ej. Redes Bayesianas Dinámicas - DBN): Suelen asumir dependencias lineales o Gaussianas, lo que les impide capturar adecuadamente las acoplamientos no lineales, los retrasos temporales y las dinámicas de manifold (variedad) presentes en los sistemas neuromusculares.
• Métodos Deterministas/Geométricos (ej. Mapeo Cruzado Convergente - CCM): Aunque son eficaces para detectar interacciones no lineales y dependientes de retrasos mediante la reconstrucción de variedades de atractor, carecen de un marco generativo conjunto, no cuantifican la incertidumbre y no permiten el razonamiento contrafactual o intervencional, crucial para la medicina traslacional.
• Brecha Actual: No existe un marco unificado que combine la detección de causalidad no lineal con la cuantificación de incertidumbre probabilística y la capacidad de simular intervenciones.

2. Metodología Propuesta: Marco DBN-Informado por CCM

Los autores proponen un marco híbrido que integra la reconstrucción geométrica de variedades (CCM) con el modelado temporal probabilístico (DBN).

• Reconstrucción de Manifold (CCM): Se utiliza el teorema de inmersión de Takens para reconstruir el espacio de estados subyacente de las series temporales (EEG y EMG) mediante inmersión por retrasos. Se identifican los vecinos más cercanos en el "manifold de sombra" para predecir el estado de un sistema basándose en el otro.
• Integración Híbrida (Algoritmo 1):
  • Se combina la proximidad geométrica (pesos del kernel exponencial $u_i$ basados en la distancia en el manifold) con la causalidad probabilística (probabilidades condicionales $p_i$ derivadas de una DBN).
  • Se introduce un esquema de aprendizaje de doble peso: Los pesos combinados normalizados ($w_i$) ponderan la contribución de los vecinos para la predicción, integrando tanto la estructura no lineal del manifold como las dependencias temporales estocásticas aprendidas por la DBN.
  • Normalización: Se implementa una normalización cuidadosa de las fuerzas de acoplamiento derivadas del CCM antes de usarlas como priores en el aprendizaje de la estructura de la DBN, evitando el doble conteo de evidencia causal debido a circularidad.
• Evaluación de Intervenciones:
  • El marco permite simular intervenciones midiendo cambios en dos dimensiones:
    1. Geométrica: Reorganización de las relaciones de vecinos más cercanos en el manifold tras la perturbación.
    2. Probabilística: Cambios en las probabilidades condicionales de la DBN.
  • La magnitud del efecto causal se cuantifica mediante la diferencia en la predictibilidad ($\Delta\rho$) antes y después de la intervención.
• Aprendizaje de Estructura: Se emplea un procedimiento de aprendizaje de DBN restringido por dispersión (sparsity-constrained) utilizando regularización $\ell_1$ y optimización de gradiente proximal para identificar dependencias temporales salientes sin sobreajuste.

3. Contribuciones Clave

1. Marco Unificado: Propuesta de un modelo causal que combina la detección de relaciones causales intrincadas (no lineales) con la cuantificación de incertidumbre y capacidades intervencionales, ideal para dinámicas fisiológicas multiescala.
2. Nueva Métrica de Efecto Causal: Desarrollo de una forma novedosa de cuantificar la magnitud del efecto causal mediante cambios tanto probabilísticos como geométricos, apoyando la prueba de hipótesis funcionales a partir de datos observacionales.
3. Validación Experimental: Aplicación exitosa a grabaciones multimodales (EEG-EMG) de niños con distonía y controles neurotípicos, revelando vías causales interpretables consistentes con la fisiología motora.

4. Resultados Experimentales

El método se evaluó en datos de 15 niños con distonía y 13 controles neurotípicos (12-18 años) durante tareas de mantenimiento de agarre con perturbaciones mecánicas.

• Hallazgos Fisiológicos:
  • Se observó una reorganización específica de la frecuencia en los sujetos con distonía: aumento de la conectividad en la banda delta y disminución en la banda beta en comparación con los controles. Esto es consistente con un control motor deteriorado y una integración cortico-muscular alterada.
  • Los sujetos distónicos mostraron mayores cambios en la correlación CCM post-perturbación, indicando una mayor sensibilidad y menor estabilidad en la dinámica sensoriomotora.
• Rendimiento Comparativo:
  • El marco DBN-Informed CCM superó consistentemente a las líneas base (Causalidad de Granger, CCM estándar, CCM con Procesos Gaussianos y CCM Causalizado).
  • Métricas:
    • Consistencia Predictiva (PC): 0.80 ± 0.03 (Propuesto) vs. 0.62-0.79 en otros métodos.
    • Impacto Causal (CI): 0.86 ± 0.02 (Propuesto) vs. 0.68-0.78 en otros métodos.
  • Estos resultados demuestran que la combinación de aprendizaje de estructura probabilística con dinámicas de manifold mejora significativamente la estabilidad causal y la consistencia predictiva.

5. Significado e Impacto

Este trabajo representa un avance significativo en el modelado de sistemas fisiológicos complejos al superar las dicotomías tradicionales entre métodos lineales/probabilísticos y no lineales/deterministas.

• Biomarcadores Cuantitativos: Ofrece un marco robusto para desarrollar biomarcadores precisos para trastornos neurológicos como la distonía, basados en la reorganización de redes cerebro-músculo.
• Intervenciones Dirigidas: La capacidad de realizar razonamiento intervencional y contrafactual permite simular el efecto de terapias de neuromodulación antes de su aplicación clínica.
• Generalización: El marco es generalizable a otras modalidades de imagen biomédica y tiene aplicaciones prometedoras en interfaces neurales en tiempo real, estimulación adaptativa e ingeniería neurotraslacional.

En conclusión, la propuesta demuestra que integrar la geometría de los atractores con la inferencia probabilística es esencial para desentrañar la causalidad en sistemas biológicos no lineales y ruidosos.