Resumen Técnico: ScalpINR – Reconstrucción de Campos Neurales Consultables por Coordenadas para la Superresolución Espacial de EEG

1. Planteamiento del Problema

La superresolución espacial de la electroencefalografía (EEGSR) tiene como objetivo reconstruir señales de EEG de alta densidad (HD) a partir de observaciones dispersas de baja densidad (LD). Aunque esto es crítico para aplicaciones prácticas donde la adquisición de HD se ve obstaculizada por el costo, la carga de preparación o las limitaciones de hardware, los métodos existentes enfrentan desafíos significativos de robustez en despliegues del mundo real.

Los enfoques actuales de vanguardia suelen aprender un mapeo fijo de una disposición de entrada de baja densidad predefinida a una disposición de salida de alta densidad fija. Esta formulación asume un conjunto estático de electrodos de entrada y salida. Sin embargo, en escenarios realistas, la calidad de los electrodos fluctúa debido a malos contactos, artefactos de movimiento o variabilidad de los dispositivos, lo que conduce a una ausencia aleatoria de canales y a patrones de canales visibles cambiantes. Cuando el conjunto de canales ausentes varía en el momento de la prueba, los modelos de mapeo fijo suelen fallar porque dependen de correlaciones específicas del índice del canal en lugar de aprender una regla de reconstrucción basada en la geometría del cuero cabelludo. Además, los métodos de interpolación clásicos, aunque son conscientes de la geometría, tienden a suavizar excesivamente las estructuras espaciales finas y no pueden generar señales en ubicaciones de electrodos que nunca fueron observadas durante el entrenamiento.

El artículo postula que la EEGSR bajo ausencia aleatoria no debe tratarse como la restauración de un tensor de salida fijo a partir de un tensor de entrada enmascarado. En su lugar, debe reformularse como la reconstrucción de un campo del cuero cabelludo consultable por coordenadas a partir de canales de soporte parcialmente observados.

2. Metodología: ScalpINR

Los autores proponen ScalpINR (Representación Neuronal Implícita Condicionada por Soporte), un marco que aprende un campo del cuero cabelludo condicional compartido a partir de los canales observados y reconstruye señales consultando coordenadas arbitrarias. La arquitectura consta de tres componentes principales:

2.1 Codificador de Canales Guiado por Posición

Para manejar disposiciones de entrada variables, Scalp-INR codifica explícitamente la configuración espacial de los canales disponibles.

• Tokenización: Para cada canal visible $c$, la señal $x_c$ se combina con su coordenada de electrodo 3D $p_c$. La coordenada se transforma mediante una función de incrustación de posición $\phi(\cdot)$ para crear un descriptor espacial.
• Agregación: Las representaciones de la señal y las incrustaciones de posición se fusionan en tokens por canal, que luego se agregan mediante un codificador invariante a la permutación (por ejemplo, un Set Transformer o similar) en una única representación latente del cuero cabelludo $z$. Esto permite al modelo resumir el contexto de la señal y la disposición de los electrodos independientemente de qué canales específicos estén visibles.

2.2 Decodificador INR Condicional Consultable por Coordenadas

El decodificador utiliza una Representación Neuronal Implícita (INR) para sintetizar señales.

• Mecanismo de Consulta: Dada la condición latente $z$, el decodificador predice el valor de la EEG en cualquier coordenada de consulta arbitraria $p_q$ y tiempo $t$ utilizando una función de campo neural condicional: $\hat{x}(p_q, t) = f_\omega(z, \phi(p_q), \tau(t))$.
• Desacoplamiento: Este diseño desacopla la codificación de los datos observados de la generación de las señales objetivo. El modelo no está restringido a ranuras de salida predefinidas; puede generar señales en ubicaciones de electrodos "no vistas" simplemente consultando sus coordenadas.

2.3 Entrenamiento de Corrupción de Canales Preservador de la Fidelidad

Para evitar que el campo generado se desvíe de la evidencia observada, especialmente bajo una ausencia severa, los autores introducen una estrategia de entrenamiento especializada que involucra estados mixtos de electrodos:

• Electrodos Ausentes: Las señales se eliminan de la entrada para entrenar las capacidades de recuperación.
• Electrodos Corruptos: Las señales se perturban para imitar observaciones inestables o degradadas, mejorando la robustez.
• Electrodos Visibles pero Predichos: Los canales permanecen en la entrada pero se incluyen en la predicción objetivo. Esto evita que el modelo trate los canales observados como señales de paso sin restricciones.
• Objetivo: La pérdida de entrenamiento combina una pérdida de reconstrucción en los canales objetivo ($L_{rec}$) y una pérdida de fidelidad en los canales visibles pero predichos ($L_{fid}$), asegurando que el campo del cuero cabelludo inferido sea consistente con el soporte observado.

3. Contribuciones Clave

1. Reformulación del Problema: El artículo redefine la EEGSR bajo la ausencia aleatoria de canales como un problema de reconstrucción del cuero cabelludo condicionado por soporte y consultable por coordenadas. Esto unifica la reconstrucción de canales faltantes variables y la generación de señales de electrodos no vistos estrictamente dentro de un único marco.
2. Arquitectura ScalpINR: La propuesta de un marco de representación neuronal implícita guiado por posición que codifica observaciones parciales en una condición latente y reconstruye señales mediante la consulta de coordenadas, permitiendo la generación de señales en ubicaciones nunca vistas durante el entrenamiento.
3. Estrategia de Entrenamiento: La introducción de una estrategia de corrupción de canales preservadora de la fidelidad que entrena al modelo bajo estados mixtos de visibilidad, corrupción y ausencia, imponiendo consistencia entre el campo inferido y los datos observados.

4. Resultados Experimentales

El marco fue evaluado en tres conjuntos de datos públicos: SEED (emoción), AAD (atención auditiva) y BCI2000 (imaginación motora).

4.1 Reconstrucción de Ausencia de Canales Aleatoria

Bajo variaciones en las proporciones de soporte ($r$), ScalpINR superó consistentemente a los modelos de referencia (incluyendo Spherical Spline, ZUNA, ImputeINR, CSDI, ESTformer, MCMA y SRGDiff) en fidelidad de la señal (NMSE, PCC, SNR) y preservación espectral.

• Desempeño: En el conjunto de datos SEED con una proporción de soporte dispersa de $r=0.125$, ScalpINR redujo el NMSE en 0.10 en comparación con la base más fuerte (MCMA) y mejoró el SNR en 0.52 dB.
• Fidelidad Espectral: El método logró el menor error espectral en todos los conjuntos de datos, lo que indica una preservación superior de la estructura en el dominio de la frecuencia de la EEG en comparación con la similitud de la forma de onda punto a punto.
• Utilidad en Tareas Posteriores: Las señales reconstruidas mantuvieron la información discriminativa de la tarea, obteniendo la mejor precisión o empatando en las mejores precisiones en las tareas de decodificación posteriores (por ejemplo, reconocimiento de emociones, imaginación motora).

4.2 Generación de Electrodos No Vistos Estrictos

En un protocolo más estricto donde un subconjunto de electrodos se mantuvo totalmente fuera durante el entrenamiento (nunca usado como entrada), ScalpINR demostró la capacidad de sintetizar señales en estas nuevas ubicaciones.

• Resultados de AAD: Bajo un entorno de exclusión estricta con soporte completo ($r=1$ para canales visibles), Scalp,INR redujo el NMSE en un 37.5% y mejoró el SNR en 2.12 dB sobre la base más fuerte.
• Generalización: El modelo se extrapoló con éxito a ubicaciones de electrodos no vistas, mientras que los métodos basados en interpolación tendieron a suavizar demasiado los detalles, y otros modelos de aprendizaje profundo mostraron desviaciones significativas respecto a la verdad de campo.

4.3 Eficiencia

ScalpINR es computacionalmente eficiente, requiriendo solo 2.563M de parámetros y logrando una latencia de inferencia de 2.591 ms por muestra. Esto es significativamente más rápido que las bases basadas en difusión (por ejemplo, SRGDiff a ~92 ms) manteniendo una mayor precisión.

5. Significado y Reivindicaciones

El artículo afirma que ScalpINR aborda la fragilidad de los métodos de EEGSR existentes en despliegues del mundo real donde la disponibilidad de canales es impredecible. Al cambiar del aprendizaje de mapeo fijo a la reconstrucción de un campo de cuero cabelludo consultable por coordenadas, el método logra:

• Robustez: La capacidad de manejar la ausencia aleatoria de canales y las variaciones en la disposición de los electrodos sin necesidad de reentrenamiento o cambios arquitectónicos.
• Extrapolación: La capacidad de sintetizar señales en ubicaciones de electrodos que nunca fueron expuestas como entrada durante el entrenamiento, una hazaña difícil para la interpolación estándar o los modelos de aprendizaje profundo de mapeo fijo.
• Fidelidad: La generación de señales que preservan tanto la morfología temporal como la estructura espectral, asegurando la utilidad para tareas de decodificación posteriores.

Los autores concluyen que este paradigma consultable por coordenadas ofrece una solución flexible y robusta para la adquisición de EEG bajo una disponibilidad de canales variable, con planes futuros para extender esto a la transferencia de montajes entre dispositivos y condiciones heterogéneas del mundo real.