Resumen Técnico: Priors Espectrales vs. Atención en el Diagnóstico Basado en EEG

Declaración del Problema

Las señales de series temporales de electroencefalografía (EEG) son inherentemente ruidosas y poseen una resolución espacial gruesa, lo que complica la clasificación de enfermedades neurodegenerativas. A pesar de la prevalencia de arquitecturas de aprendizaje profundo de última generación, particularmente aquellas que utilizan mecanismos de atención (por ejemplo, Transformers), distinguir entre controles sanos y sujetos enfermos, o entre diferentes tipos de enfermedades, sigue siendo un desafío debido a la alta similitud intergrupal. Los autores postulan que estos modelos luchan porque carecen del sesgo inductivo específico necesario para desentrañar los componentes oscilatorios superpuestos inherentes a los datos neurofisiológicos. Mientras que los Transformers sobresalen en modelar dependencias de largo alcance en secuencias cuasi-estacionarias como el texto, pueden fallar en capturar las señales discriminativas distribuidas globalmente encontradas en el EEG en estado de reposo, donde los biomarcadores suelen ser la potencia oscilatoria y el acoplamiento de fase, en lugar de eventos temporales discretos.

Metodología

El artículo propone un enfoque "selectivo espectralmente" para la construcción de características, contrastándolo con el aprendizaje basado en atención de extremo a extremo sobre datos de series temporales crudos.

Construcción de Características

Los autores transforman datos de EEG crudos de alta dimensión en características espectrales de alto valor mediante una tubería de múltiples pasos:

1. Preprocesamiento: Las señales se submuestrean a 256 Hz y se filtran en banda (0.5–45 Hz).
2. Extracción Espectral (Welch-FFT): Para cada canal, se estima la Densidad Espectral de Potencia (PSD) utilizando el método de Welch con una ventana Hann. Los autores calculan:
   • Potencias Relativas de Banda: La potencia absoluta se integra sobre cinco bandas canónicas ($\delta, \theta, \alpha, \beta, \gamma$) y se normaliza con respecto a la potencia total.
   • Estadísticas Resumen Espectrales: Se calculan la frecuencia media, la frecuencia mediana y la entropía espectral por canal y se promedian a través de los canales.
3. Descomposición Tiempo-Frecuencia (DWT): Para capturar componentes no estacionarios, se aplica la Transformada Discreta de Wavelet (DWT). Los coeficientes de aproximación y detalle se mapean a las bandas de EEG canónicas para calcular las energías relativas de banda.
4. Agregación: Las características se agregan a través de los canales para formar vectores por sesión.

Configuración Experimental

El estudio evalúa dos enfoques:

• Clasificadores Tradicionales: Análisis Discriminante Cuadrático (QDA) y Bosque Aleatorio (RF) entrenados sobre las características espectrales diseñadas.
• Arquitecturas Basadas en Atención: Modelos de última generación que incluyen Medformer, Reformer y EEG Conformer, entrenados sobre datos de series temporales crudos.

La metodología se validó en cuatro conjuntos de datos de código abierto:

• Estado de Reposo: APAVA (Alzheimer), TDBrain (Parkinson) y ADFTD (Alzheimer, Demencia, Sanos).
• Basado en Tareas: Conjunto de datos de TDAH (pacientes con TDAH vs. Controles Sanos).

Los datos se dividieron utilizando protocolos establecidos en la literatura previa (por ejemplo, Medformer) para garantizar una comparación justa, aplicando la normalización Z-score estrictamente basada en las estadísticas del conjunto de entrenamiento.

Contribuciones y Hallazgos Clave

1. Paridad de Rendimiento y Superioridad de los Priors Espectrales

El hallazgo principal es que los modelos de aprendizaje automático tradicionales que operan sobre características espectrales igualan o superan el rendimiento de los modelos de aprendizaje profundo basados en atención de última generación.

• QDA logró un rendimiento superior en los conjuntos de datos ADFTD, APAVA y TDAH.
• Random Forest logró los mejores resultados en el conjunto de datos TDBrain.
• En varios casos (APAVA y TDBrain), los clasificadores tradicionales lograron una clasificación casi perfecta o perfecta (100% de precisión), mientras que los modelos Transformer mostraron un rendimiento inferior.
• Los autores argumentan que, para el EEG en estado de reposo, donde los biomarcadores son oscilatorios y estacionarios, tratar la señal como una secuencia de tokens discretos ignora la física continua subyacente.

2. Limitaciones de los Mecanismos de Atención

El artículo proporciona evidencia empírica de que los mecanismos de atención fallan en destilar firmas de características estables en los datos de EEG:

• Análisis de la Matriz de Confusión: En el conjunto de datos ADFTD, QDA capturó perfectamente el estado de baja varianza de los controles sanos, mientras que el Conformer clasificó incorrectamente a más de un tercio de los sujetos sanos, lo que indica una incapacidad para reconocer la actividad neural basal.
• Diagnósticos de Divergencia KL: Los autores calcularon la divergencia KL entre los mapas de atención de predicciones correctas e incorrectas. Los resultados mostraron:
  • Valores de divergencia extremadamente bajos, lo que sugiere que el poder predictivo no proviene del mecanismo de atención.
  • Divergencia simétrica ($KL(Correcto||Incorrecto) \approx KL(Incorrecto||Correcto)$), lo que indica que el enfoque interno del modelo es invariante al éxito diagnóstico.
• Sensibilidad a la Entrada: Cuando los autores proporcionaron a Medformer señales pre-descompuestas y aisladas en frecuencia (eliminando la necesidad de que el modelo aprenda la separación espectral), el rendimiento no mejoró; de hecho, se estancó o degradó. Los autores hipotetizan que esto se debe a la "Dilución de la Atención", donde la capacidad del modelo se consume modelando correlaciones temporales redundantes entre versiones filtradas altamente correlacionadas de la misma señal, en lugar de centrarse en biomarcadores discriminativos.

Significado y Afirmaciones

El artículo afirma que, para las escalas actuales de datos clínicos (típicamente tamaños de muestra pequeños, $N < 100$), la parsimonia principista mediante sesgos inductivos informados por el procesamiento de señales es más robusta que los modelos de aprendizaje profundo agnósticos al dominio.

• Rechazo a la Complejidad de "Caja Negra": La alta capacidad representacional de los Transformers no se traduce en utilidad clínica para señales neurofisiológicas porque los biomarcadores de EEG a menudo están distribuidos globalmente en lugar de localizarse en eventos temporales discretos.
• Limitación Fundamental: Las limitaciones de los modelos basados en atención para encontrar características espectrales relevantes parecen ser fundamentales. Proporcionar entradas en el dominio del tiempo selectivas en frecuencia no mejora apreciablemente su rendimiento, lo que sugiere que el mecanismo de auto-atención sufre de una falta de saliencia temporal en señales cuasi-estacionarias.
• Dirección Futura: Los autores abogan por la integración de kernels informados por la física y priors espectrales en futuras arquitecturas de neuroimagen, en lugar de depender exclusivamente de mecanismos de atención impulsados por datos que pueden diluir biomarcadores sutiles y relevantes para la enfermedad dentro de un espacio de atención disperso.