Resumen Técnico: Aprendizaje de Representaciones de EEG Alineadas con Codificadores Específicos por Sujeto

Planteamiento del Problema

La decodificación de EEG entre sujetos es esencial para escalar los modelos de interfaz cerebro-computadora (BCI) debido a la escasez de datos en sujetos individuales. Sin embargo, la agregación de datos introduce cambios significativos en la distribución entre sujetos (cambios de covariable y de concepto) causados por diferencias neuroanatómicas, la colocación de los electrodos y la no estacionariedad. Los modelos de aprendizaje profundo estándar, que asumen que los datos de entrenamiento y prueba comparten la misma distribución, suelen sufrir de transferencia negativa cuando se entrenan con datos agrupados de múltiples sujetos. Aunque existen técnicas de adaptación de dominio como el Alineamiento Euclídeo (EA) para recentrar las covarianzas de los sujetos durante el preprocesamiento, estas son transformaciones fijas que no se extienden naturalmente a las entradas de series temporales puras ni aprenden patrones complejos específicos de cada sujeto. El artículo investiga si la supervisión de la tarea y el diseño arquitectónico pueden inducir por sí solos el alineamiento entre sujetos sin depender únicamente de un preprocesamiento externo.

Metodología

1. Arquitectura Propuesta: Modelo Híbrido de Múltiples Cabezales

Los autores proponen reemplazar el codificador de EEG compartido estándar por un conjunto de codificadores específicos por sujeto ($e^{(k)}_{\phi_k}$), cada uno dedicado a un sujeto de entrenamiento específico, manteniendo un único clasificador compartido ($h_\psi$).

• Estructura: $f^{(k)}_\theta(X) = h_\psi(e^{(k)}_{\phi_k}(X))$.
• Mecanismo: Cada codificador aprende una transformación no lineal y específica de cada sujeto de las señales de EEG crudas. El objetivo de clasificación compartido actúa como una señal de alineamiento implícita, presionando a los codificadores individuales para proyectar sus respectivos sujetos en un espacio latente unificado compatible con un único límite de decisión.
• Entrenamiento: El modelo se entrena utilizando una estrategia de "dejar un sujeto fuera" (LOSO, leave-one-subject-out). Durante el preentrenamiento, los mini-lotes de cada sujeto de origen se dirigen a través de su codificador correspondiente. Los gradientes se acumulan en el clasificador compartido, mientras que cada codificador recibe gradientes solo de los datos de su propio sujeto.

2. Adaptación del Sujeto Objetivo

Para sujetos no vistos (objetivo), el modelo emplea una estrategia de adaptación de baja calibración:

1. Selección de Cabezal: Un codificador objetivo se inicializa copiando los pesos del codificador de origen que arroja la mayor exactitud balanceada (balanced accuracy) en un pequeño conjunto de calibración (48 ensayos) del sujeto objetivo.
2. Ajuste Fino (Fine-tuning): La rama objetivo seleccionada se ajusta mediante el proceso de fine-tuning sobre los datos de calibración y se evalúa en ensayos de prueba reservados.

3. Líneas Base y Conjuntos de Datos

El modelo híbrido se compara con arquitecturas estándar de codificador compartido (EEGNet, AttentionBaseNet, CTNet) con y sin el preprocesamiento de Alineamiento Euclídeo (EA). Los experimentos se realizaron en cuatro conjuntos de datos de imaginación motora: BNCI2014-001, BNCI2015-001, Schirrmeister2017 y Weibo2014.

4. Métricas de Evaluación

• Métrica Primaria: Exactitud Balanceada (BA) en los ensayos de prueba reservados.
• Métricas Diagnósticas:
  • Distintividad de Clase: Una métrica independiente de la clase basada en la relación entre la distancia de Riemannian inter-clase y la dispersión intra-clase en las matrices de covarianza a nivel de ensayo.
  • Geometría Latente: Análisis de las distancias de Riemannian entre los ensayos de los sujetos objetivo y los centroides de los codificadores de origen para medir el alineamiento del manifold.
  • Dinámica de Entrenamiento: Curvas de convergencia de la pérdida de validación.

Resultados Clave

1. Efectividad de los Codificadores Específicos por Sujeto

• Ganancias de Rendimiento: La arquitectura híbrida mejoró el rendimiento sobre las líneas base de solo EA en conjuntos de datos y arquitecturas específicas. Notablemente, en el conjunto de datos BNCI2015-001, el modelo híbrido logró ganancias significativas en las tres arquitecturas (EEGNet, AttnBNet, CTNet). Sin embargo, las ganancias no fueron uniformes; en conjuntos de datos como Weibo2014, el modelo híbrido CTNet colapsó, lo que indica que el beneficio depende del conjunto de datos y de la arquitectura.
• Distintividad de Clase: Los codificadores específicos por sujeto aumentaron drásticamente la distintividad de clase para los sujetos de origen (por ejemplo, de ~28 a ~67 bajo EA), lo que indica una alta especialización. Para los sujetos objetivo no vistos, la distintividad se mantuvo más alta que en las líneas base de codificador compartido, lo que sugiere que los codificadores específicos por sujeto retienen cierta estructura transferible incluso cuando se aplican fuera del dominio.
• Alineamiento del Manifold: El análisis de las distancias latentes reveló que los ensayos de los sujetos objetivo están significativamente más cerca del manifold del codificador de origen correspondiente que de los codificadores no coincidentes. Esta brecha se amplió bajo EA, confirmando que cada cabezal aprende un manifold único y específico de cada sujeto.

2. Internalización del Alineamiento

• Convergencia de la Pérdida: Para los codificadores compartidos, el EA es crítico; eliminarlo provoca que la pérdida de validación se estanque en un nivel mucho más alto. En contraste, la arquitectura híbrida converge a niveles de pérdida bajos similares con o sin EA. Esto sugiere que los codificadores específicos por sujeto aprenden internamente la función de alineamiento que el EA realiza externamente.
• Geometría Latente: Las visualizaciones de t-SNE mostraron que, mientras los codificadores compartidos comienzan con distribuciones de sujetos superpuestas, los codificadores híbridos comienzan con clústeres separados. El entrenamiento con supervisión de la tarea reorganiza estos clústeres para que estén más cerca y mejor separados, replicando efectivamente el rol de alineamiento de EA a través de transformaciones de características aprendidas.

3. Heterogeneidad de los Sujetos

El estudio identificó dos modos distintos de comportamiento de los sujetos:

• Sujetos Consistentemente Difíciles: Sujetos que tienen un rendimiento pobre en todos los métodos, lo que sugiere limitaciones de señal irreductibles.
• Sujetos con Ruido de Método: Sujetos cuyo rendimiento varía ampliamente dependiendo de la arquitectura y la estrategia de alineamiento, lo que implica que una mejor selección de cabezal o calibración podría desbloquear un mayor rendimiento.

Significado y Reivindicaciones

El artículo afirma que los codificadores específicos por sujeto actúan como un mecanismo de alineamiento aprendido para la decodificación de EEG. Al factorizar el codificador en cabezales por sujeto, el modelo puede aprender a recentrar y transformar las distribuciones individuales de los sujetos para que se ajusten a un espacio de clasificación compartido, desempeñando efectivamente el rol de las técnicas de preprocesamiento como el Alineamiento Euclídeo.

Contribuciones Clave:

1. Alineamiento Arquitectónico: Demuestra que la supervisión de la tarea combinada con una arquitectura de múltiples cabezales puede inducir el alineamiento entre sujetos sin necesidad de pérdidas explícitas de adaptación de dominio o preprocesamiento fijo.
2. Perspectivas Diagnósticas: Proporciona evidencia de que estas ganancias no se deben simplemente a un aumento en la capacidad del modelo, sino que resultan de que el codificador aprenda manifolds específicos de cada sujeto que mejoran la distintividad de clase y facilitan la transferencia.
3. Identificación de Cuellos de Botella: Aunque la arquitectura mejora el alineamiento, los autores identifican la selección de cabezales para sujetos no vistos como el cuello de botella restante. El rendimiento del sistema en nuevos sujetos depende altamente de la selección de la inicialización correcta del grupo de origen, y este proceso de selección sigue siendo un desafío, particularmente para los sujetos "con ruido de método".

Los autores concluyen que, si bien la estructura propuesta respalda a los codificadores específicos por sujeto como un mecanismo de alineamiento aprendido viable, la escalabilidad a grupos de sujetos grandes y diversos sigue siendo una limitación, lo que motiva trabajos futuros sobre alternativas de parámetros eficientes (por ejemplo, adaptadores de bajo rango) y mejores estrategias de selección de cabezales no oraculares.