🤖 machine learning

Structured Prototype-Guided Adaptation for EEG Foundation Models

Este artículo propone SCOPE, un marco estructurado, consciente de la confianza y guiado por prototipos que aborda los desafíos de adaptar modelos fundacionales de EEG a entornos con etiquetas limitadas, mitigando la mala calibración excesivamente segura y la deriva de representaciones mediante supervisión a nivel de cohorte y un adaptador ligero condicionado por prototipos.

Autores originales: Jingying Ma, Feng Wu, Yucheng Xing, Qika Lin, Tianyu Liu, Chenyu Liu, Ziyu Jia, Mengling Feng

Publicado 2026-05-11

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jingying Ma, Feng Wu, Yucheng Xing, Qika Lin, Tianyu Liu, Chenyu Liu, Ziyu Jia, Mengling Feng

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El Gran Problema: El "Estudiante Demasiado Entusiasta"

Imagina que tienes un estudiante brillante (un Modelo Fundacional de EEG) que ha leído todos los libros de la biblioteca. Sabe todo sobre las ondas cerebrales porque fue entrenado con cantidades masivas de datos. ¡Esto es genial!

Sin embargo, en un hospital real, un médico solo tiene unos pocos pacientes con diagnósticos confirmados (datos etiquetados) y miles de pacientes sin notas (datos no etiquetados).

Cuando intentas enseñar a este estudiante brillante utilizando solo esos pocos casos confirmados, algo sale mal. En lugar de aprender las nuevas reglas específicas, el estudiante se vuelve demasiado seguro de sí mismo. Comienza a adivinar a lo loco basándose en los pocos ejemplos que tiene, ignorando su vasta conocimiento general. Se "sobreajusta", lo que significa que memoriza perfectamente los pocos ejemplos pero falla completamente cuando ve a un nuevo paciente. Es como un estudiante que memoriza las respuestas de tres preguntas de práctica pero reprueba el examen real porque no entendió el concepto.

La Solución: SCOPE

Los autores crearon un nuevo método llamado SCOPE (Adaptación Guiada por Prototipos Estructurados Consciente de la Confianza). Piensa en SCOPE como un tutor inteligente que ayuda al estudiante a aprender de los pocos casos confirmados sin hacer que olvide su conocimiento general o adivine a lo loco en los casos desconocidos.

SCOPE funciona en dos etapas principales:

Etapa 1: Construir un "Mapa" y un "Filtro de Confianza"

Antes de que el estudiante comience a estudiar los nuevos casos, el tutor construye una guía.

Crear un "Mapa" (Prototipos Estructurados):
Imagina que los diferentes tipos de estados cerebrales (como "dormido", "despierto", "ansioso") son diferentes ciudades en un mapa. Por lo general, cuando tienes muy pocos ejemplos, el mapa se vuelve confuso y las ciudades se difuminan entre sí.
SCOPE dibuja primero un mapa claro y estructurado. Utiliza matemáticas para asegurar que las "ciudades" (clases) estén espaciadas uniformemente y que haya barrios distintos dentro de cada ciudad para manejar diferentes variaciones. Este mapa actúa como una guía persistente para que el estudiante sepa dónde se supone que debe estar, incluso si los datos son ruidosos.
El "Filtro de Confianza" (Etiquetado Pseudo Consciente de la Confianza):
El tutor observa a los miles de pacientes sin notas. En lugar de adivinar ciegamente cuál es su condición, el tutor se hace dos preguntas diferentes:
- "Basado en el mapa general, ¿qué es esto?"
- "Basado en los barrios específicos, ¿qué es esto?"
  Si ambas respuestas coinciden, el tutor dice: "Bien, esto parece confiable". Si no coinciden, el tutor dice: "No estoy seguro, ignoremos este por ahora". Esto evita que el estudiante aprenda de malas suposiciones.

Etapa 2: Las "Gafas Livianas" (ProAdapter)

Ahora es momento de que el estudiante estudie.

El Problema con los Métodos Antiguos: Por lo general, para enseñar una nueva tarea, le dices al estudiante que reescriba todo su cerebro (Ajuste Fino Completo). Esto es peligroso porque podrían borrar todo el conocimiento que adquirieron al leer la biblioteca.
El Enfoque de SCOPE: En lugar de reescribir el cerebro, SCOPE le pone al estudiante un par de gafas especializadas. Estas se llaman ProAdapters.
- El cerebro principal del estudiante (el Modelo Fundacional) permanece congelado e intacto.
- Las gafas son livianas y solo ajustan las capas superiores del pensamiento del estudiante.
- Crucialmente, estas gafas están condicionadas al Mapa. Obligan al estudiante a mirar los nuevos datos a través de la lente de la guía estructurada construida en la Etapa 1.

Por Qué Esto Funciona Mejor

El artículo probó esto en seis tareas cerebrales diferentes (como la estadificación del sueño y la detección de emociones) y cinco tipos diferentes de modelos de IA.

El Resultado: SCOPE superó consistentemente a los métodos antiguos.
La Analogía: Mientras que otros métodos intentaron forzar al estudiante a memorizar los pocos ejemplos (lo que llevó a la confusión), SCOPE le dio al estudiante un mapa claro y un filtro para ignorar las malas suposiciones, todo mientras mantenía intacto su conocimiento original de la biblioteca.
Eficiencia: Lo logró cambiando solo una pequeña fracción de los parámetros del modelo (como ajustar las gafas en lugar de reconstruir el cerebro), lo que lo hace rápido y económico de ejecutar.

Resumen

En resumen, SCOPE resuelve el problema de enseñar modelos de IA cerebrales potentes cuando no tienes suficientes datos etiquetados mediante:

Construir un mapa estructurado de cómo debería verse los datos.
Utilizar un filtro de confianza para aprender solo de suposiciones de alta calidad.
Poner gafas livianas a la IA para guiar su pensamiento sin romper su conocimiento existente.

Esto permite que la IA se adapte a nuevas situaciones clínicas del mundo real de manera confiable, incluso cuando un médico solo tiene un puñado de casos confirmados con los que trabajar.

Resumen Técnico: SCOPE – Adaptación Guiada por Prototipos Estructurados para Modelos Fundacionales de EEG con Etiquetas Limitadas

1. Declaración del Problema

Los modelos fundacionales de electroencefalografía (EFM) han demostrado un rendimiento sólido cuando se ajustan completamente con abundantes datos etiquetados. Sin embargo, en entornos clínicos reales, las anotaciones fiables a nivel de sujeto son escasas, dejando a menudo solo una pequeña fracción de sujetos etiquetados (por ejemplo, el 30% o menos) junto con grabaciones abundantes sin etiquetar.

Los autores identifican que el ajuste completo estándar falla bajo estas condiciones de etiquetas limitadas no meramente por insuficiencia de datos, sino debido a una discrepancia estructural entre la supervisión ruidosa y limitada y el espacio de parámetros altamente plástico de los EFM. El análisis empírico revela tres modos de fallo críticos:

Autoguía No Fiable: Los EFM exhiben sobreconfianza pero inexactitud bajo supervisión limitada, lo que hace que el autoentrenamiento (basado en la confianza del modelo) sea propenso a la amplificación de errores.
Colapso de Predicción: Las estrategias de pseudolabeling a menudo fallan debido a límites de clase ambiguos en estados cerebrales continuos y al desequilibrio de clases, lo que conduce a un aprendizaje sesgado hacia modos dominantes.
Vulnerabilidad del Espacio de Parámetros: El ajuste completo causa una deriva significativa de la representación a través de las capas, donde los gradientes ruidosos sobrescriben representaciones preentrenadas transferibles, lo que lleva a una deriva de optimización irreversible.

Los métodos existentes de ajuste fino eficiente en parámetros (PEFT) y los enfoques genéricos de aprendizaje semi-supervisado (por ejemplo, FixMatch, FineSSL) han demostrado ser inestables o subóptimos cuando se aplican directamente a EFM en escenarios de múltiples sujetos con etiquetas limitadas.

2. Metodología: Marco SCOPE

Los autores proponen SCOPE (Adaptación Guiada por Prototipos Consciente de la Confianza Estructurada), un marco de dos etapas diseñado para adaptar EFM sin sobrescribir el conocimiento preentrenado.

Etapa I: Construcción de Supervisión Estructurada Externa

En lugar de depender de las propias predicciones del EFM para el autoentrenamiento, SCOPE construye supervisión externa utilizando una red ligera de Prioridad de Tarea (TPN) entrenada solo en el pequeño conjunto etiquetado.

Prototipos Estructurados a Nivel de Cohorte:
- Geometría Interclase: La TPN emplea una red de prioridad de tarea con un regularizador de Marco Estricto Equiangular (ETF). Esto impone una separación angular máxima entre los pesos de las clases, asegurando incrustaciones separables por clase.
- Variabilidad Intraclase: Para manejar patrones diversos dentro de una clase, el marco aprende múltiples prototipos equilibrados por clase utilizando optimización Sinkhorn-Knopp. Esto asegura una asignación equilibrada de muestras a prototipos, previniendo el colapso hacia modos dominantes.
Pseudolabeling a Nivel de Muestra Consciente de la Confianza:
- Las pseudolabels se generan solo cuando la predicción de prioridad de tarea (que enfatiza la separación interclase) coincide con la predicción basada en prototipos (que captura la variación intraclase).
- Un mecanismo de fusión Dempster-Shafer combina estas dos fuentes de evidencia para cuantificar la fiabilidad.
- Las muestras se seleccionan para la adaptación solo si su puntuación de confianza fusionada supera un umbral predefinido, filtrando señales poco fiables.

Etapa II: Adaptación Condicionada por Prototipos (ProAdapter)

Para abordar la vulnerabilidad del espacio de parámetros del EFM, SCOPE congela la base e introduce un ProAdapter ligero insertado en las últimas $L$ capas de la red.

Mecanismo: El adaptador utiliza modulación a nivel de características (escalado $\alpha$ y desplazamiento $\beta$ ) condicionada al vector de similitud de la muestra con los prototipos aprendidos.
Arquitectura:
- Genera parámetros de modulación base a partir de las estadísticas propias de la capa (autocondicionamiento).
- Genera un término de modulación adicional a partir del vector de similitud de prototipos, explícitamente gateado y acotado para asegurar una adaptación estable.
- Esto permite que la geometría estructurada de la supervisión externa guíe la adaptación de características intermedias sin modificar los pesos preentrenados.

Estrategia de Entrenamiento

SCOPE emplea una estrategia de adaptación de calentamiento. El entrenamiento comienza con actualizaciones supervisadas en el conjunto etiquetado y luego incorpora gradualmente datos no etiquetados utilizando las pseudolabels ponderadas por confianza. Esto evita que la supervisión ruidosa domine las etapas tempranas del entrenamiento.

3. Contribuciones Clave

Prototipos Estructurados Externos a Nivel de Cohorte: El primer marco para construir prototipos persistentes y regularizados geométricamente (mediante ETF y Sinkhorn-Knopp) para proporcionar una guía externa estable para EFM, abordando el problema de la mezcla de clases y el colapso de modos.
Pseudolabeling a Nivel de Muestra Consciente de la Confianza: Una estrategia de etiquetado novedosa que fusiona predicciones de prioridad de tarea y basadas en prototipos utilizando la teoría de Dempster-Shafer para filtrar muestras inciertas, mitigando la sobreconfianza de los EFM.
Adaptación Condicionada por Prototipos (ProAdapter): Un adaptador ligero que inyecta geometría de prototipos en EFM congelados mediante modulación de características, preservando las representaciones preentrenadas mientras se adapta a tareas específicas.
Evaluación Exhaustiva: Un estudio sistemático en 6 tareas de EEG, 5 arquitecturas de modelos fundacionales (incluyendo arquitecturas Transformer y de Espacio de Estados), y diversas proporciones de etiquetas (5%–50%).

4. Resultados Experimentales

Los autores evaluaron SCOPE en seis conjuntos de datos públicos (ISRUC, SEED, Aritmética Mental, PhysioNet-MI, SHU-MI, CHB-MIT) utilizando cinco diferentes bases de EFM (LaBraM, CBraMod, CSBrain, EEGMamba, CodeBrain).

Rendimiento: SCOPE superó consistentemente a las líneas base, incluido el ajuste completo, bases congeladas, LoRA y métodos semi-supervisados existentes (FixMatch, FineSSL).
- En el conjunto de datos ISRUC con el 30% de sujetos etiquetados, SCOPE mejoró el Kappa en +7.61 (LaBraM) y +10.92 (CodeBrain) en comparación con bases congeladas.
- Demostró robustez a través de diferentes familias arquitectónicas (Transformer vs. SSM) y conjuntos de datos donde otros métodos fallaron o colapsaron.
Eficiencia: El método logra estas ganancias con solo 2–5% de parámetros entrenables y un tiempo de entrenamiento y memoria de GPU significativamente reducidos en comparación con el ajuste completo.
Estudios de Ablación:
- Eliminar el módulo de construcción de supervisión causó las mayores caídas de rendimiento (5–7%), confirmando que el autoentrenamiento es insuficiente para EFM.
- Eliminar ProAdapter llevó a una degradación significativa (hasta un 10% en bases SSM), destacando la necesidad de la modulación condicionada por prototipos.
- Se demostró que la ponderación por confianza y las estrategias de calentamiento son críticas para la estabilidad.

5. Significado y Afirmaciones

El artículo afirma ser el primer estudio sistemático sobre la adaptación de modelos fundacionales de EEG bajo condiciones de despliegue práctico con etiquetas limitadas.

Los autores argumentan que la falta de fiabilidad del ajuste completo en regímenes de pocas etiquetas se debe a una discrepancia estructural, no solo a la escasez de datos. Al cambiar del autoentrenamiento y las pseudolabels a nivel de muestra hacia la supervisión estructurada externa a nivel de cohorte y la adaptación condicionada, SCOPE proporciona una vía más fiable y eficiente en datos para desplegar EFM en escenarios clínicos reales donde las anotaciones de expertos son limitadas. El trabajo sugiere que preservar las representaciones preentrenadas mediante modulación ligera guiada por geometría es superior a las actualizaciones directas de parámetros en estos entornos.