Resumen Técnico: Convoluciones Espaciotemporales en Señales de EEG

Enunciado del Problema

La clasificación de señales de Electroencefalografía (EEG) utilizando Redes Neuronales Convolucionales (CNN) superficiales es un enfoque prevalente en campos que van desde el diagnóstico médico hasta las Interfaces Cerebro-Computadora (BCI). La arquitectura estándar para estos modelos emplea típicamente capas convolucionales unidimensionales (1D) independientes para procesar las dimensiones temporal y espacial por separado, a menudo concatenándolas sin una capa de activación no lineal entre ellas. Si bien son numéricamente equivalentes a una sola operación bajo condiciones específicas (pesos idénticos, sin no linealidad intermedia), el impacto de reemplazar estas capas 1D secuenciales con una única capa convolucional bidimensional (2D) espaciotemporal sobre la dinámica de aprendizaje, la geometría representacional y la eficiencia permanece incierto. Este artículo investiga si este cambio arquitectónico ofrece beneficios tangibles en la eficiencia del entrenamiento y cómo altera las representaciones internas de los modelos decodificadores de EEG.

Metodología

Los autores realizaron pruebas empíricas comparando arquitecturas convolucionales 1D y 2D en dos familias de modelos de última generación: una CNN superficial basada en ShallowFBCSPNet y un modelo híbrido CNN-Transformador basado en EEG Conformer.

Arquitecturas

• Modelos Base 1D: Estos modelos utilizan capas convolucionales 1D temporales y espaciales separadas. La capa temporal convoluciona sobre los puntos temporales, mientras que la capa espacial opera a través de los canales.
• Variantes 2D: La variable independiente en este estudio. Estos modelos reemplazan las capas 1D secuenciales con una única capa convolucional espaciotemporal 2D ($k_{st} \in \mathbb{R}^{C \times m}$), que captura simultáneamente la información temporal y espacial en una sola operación. Crucialmente, no se aplica ninguna activación no lineal entre las dimensiones temporal y espacial en ninguna de las arquitecturas, asegurando que la operación 2D sea teóricamente equivalente en poder representacional a las dos operaciones 1D.

Conjuntos de Datos y Tareas

Los experimentos se realizaron en dos conjuntos de datos de imaginación motora (MI) de la Competencia BNCI IV, procesados mediante el marco MOABB:

1. BNCI2014-001 (Conjunto de datos 1): Una tarea de alta dimensionalidad con 22 canales, 4 clases y 62.208 ensayos.
2. BNCI2014-004 (Conjunto de datos 2): Una tarea de baja dimensionalidad con 3 canales, clasificación binaria y 32.400 ensayos.
   Ambas tareas utilizaron un escenario de generalización mixta entre sujetos. El preprocesamiento incluyó filtrado de paso de banda (8–32 Hz) y escalado estándar.

Métricas de Evaluación

• Rendimiento: Precisión de clasificación y tiempo de entrenamiento (épocas y duración total).
• Análisis de Características: Se utilizó regresión lineal para reconstruir características de potencia de banda (5 bandas dentro de 8–32 Hz) a partir de las activaciones del modelo para evaluar el aprendizaje de características espectrales.
• Análisis de Similitud Representacional (RSA): Se construyeron Matrices de Disimilitud Representacional (RDM) utilizando activaciones después de la capa de agrupación para comparar la estructura geométrica de las representaciones entre diferentes tipos de modelos y pliegues.

Resultados Clave

1. Eficiencia en el Entrenamiento

El hallazgo más significativo fue una reducción sustancial en el tiempo de entrenamiento para los modelos 2D, particularmente en escenarios de alta dimensionalidad.

• Conjunto de datos 1 (22 canales): Los modelos 2D entrenaron significativamente más rápido que sus contrapartes 1D. Aunque los modelos 2D requirieron más épocas para alcanzar la convergencia, el tiempo por época fue drásticamente menor, resultando en una reducción neta del tiempo total de entrenamiento.
• Conjunto de datos 2 (3 canales): Los modelos 2D fueron similarmente o ligeramente más rápidos, aunque el efecto fue menos pronunciado que en la tarea de alta dimensionalidad.
• Inferencia: Los autores señalan que las convoluciones 2D también producen tiempos de inferencia más rápidos, un factor crítico para aplicaciones de BCI en línea.

2. Rendimiento de Clasificación

La precisión permaneció estadísticamente inalterada entre las variantes 1D y 2D para ambas familias de modelos (CNN superficial y Conformer) en ambos conjuntos de datos. Los modelos demostraron una fiabilidad y varianza comparables a través de los pliegues de validación cruzada.

3. Aprendizaje y Reconstrucción de Características

El análisis de la reconstrucción de la potencia de banda reveló que tanto los modelos 1D como los 2D aprendieron características espectrales esencialmente idénticas.

• No hubo diferencias sistemáticas en la capacidad de reconstruir las potencias de las bandas alfa y beta a partir de las activaciones de los kernels entre las dos arquitecturas.
• Ambas arquitecturas identificaron con éxito la importancia espectral específica del canal (por ejemplo, diferencias entre C3 y Cz en bandas de frecuencia específicas), lo que indica que el cambio a 2D no alteró qué características espectrales se aprendieron.

4. Geometría Representacional

A pesar del rendimiento idéntico y la reconstrucción de características, el RSA reveló una diferencia fundamental en la estructura interna de los modelos:

• Divergencia de Alta Dimensionalidad: En el Conjunto de datos 1 (22 canales), la disimilitud representacional entre los modelos 1D y 2D fue significativa. Los modelos 2D formaron una geometría representacional distintamente diferente en comparación con los modelos 1D.
• Convergencia de Baja Dimensionalidad: En el Conjunto de datos 2 (3 canales), la disimilitud entre los modelos 1D y 2D fue menor, probablemente porque la información limitada de los canales se distribuyó a través de un mayor número de kernels, diluyendo los efectos observables del sesgo arquitectónico.
• Estabilidad: Los modelos fueron generalmente más similares entre diferentes pliegues de su propia arquitectura que con arquitecturas diferentes, confirmando que el sesgo inductivo arquitectónico (1D vs. 2D) dicta fuertemente el espacio representacional.

Significado y Afirmaciones

El artículo afirma que, si bien las convoluciones espaciotemporales 2D son numéricamente equivalentes a las convoluciones 1D secuenciales en términos de capacidad de extracción de características brutas, no son equivalentes en términos de dinámica de aprendizaje y geometría representacional.

• Eficiencia: La contribución práctica principal es la demostración de que las convoluciones 2D ofrecen una alternativa computacionalmente eficiente para la decodificación de EEG, reduciendo significativamente los tiempos de entrenamiento e inferencia, especialmente para conjuntos de datos con alto recuento de canales. Esta eficiencia permite un ajuste más extenso de hiperparámetros y una exploración de modelos sin costos computacionales adicionales.
• Sesgo Inductivo Arquitectónico: El estudio destaca que la elección de la capa de codificación (1D vs. 2D) impone un sesgo inductivo específico que remodela el espacio de representación interna. Esto sugiere que los investigadores que utilizan técnicas de IA explicable (XAI) deben tener en cuenta las diferencias arquitectónicas, ya que el "cómo" de la representación difiere incluso cuando el "qué" (rendimiento y características espectrales) permanece igual.
• Recomendación: Los autores proponen adoptar capas convolucionales espaciotemporales 2D como estándar para los modelos decodificadores de EEG para lograr un entrenamiento e inferencia más rápidos manteniendo un rendimiento de última generación, particularmente en tareas complejas de procesamiento de señales multivariadas.