PHINN-EEG: Topological Time-Series Analysis of Dream-State EEG -- Dynamic Betti Curves for Dream Content Classification and Topology-Conditioned Neural Signal Synthesis

Resumen Técnico: PHINN-EEG

Planteamiento del Problema
Los enfoques computacionales actuales para la detección de la mentación onírica a partir de la electroencefalografía (EEG) dependen principalmente de la Densidad Espectral de Potencia (PSD) y de características de momentos estadísticos (por ejemplo, catch22). Aunque los métodos de vanguardia logran un Área Bajo la Curva de la Característica Operativa del Receptor (AUC) de aproximadamente 0.70 en la base de datos DREAM, tratan el sueño como un problema de energía espectral. Los autores argumentan que este enfoque tiene una limitación fundamental: mide cuánta actividad cerebral está presente, pero no logra capturar la forma geométrica de dicha actividad. El artículo postula que los estados de ensueño involucran arquitecturas de integración de red cualitativamente diferentes (predichas por la Teoría de la Información Integrada y la Teoría del Espacio de Trabajo Global) que son invisibles para la descomposición espectral pero mensurables mediante invariantes topológicos.

Metodología: El Pipeline PHINN-EEG
El artículo introduce PHINN-EEG (Red Neuronal Inspirada en la Homología Persistente para EEG), un marco que desplaza el análisis de la energía espectral hacia la geometría del espacio de fase. El pipeline consta de cuatro etapas principales:

1. Incrustación de Retraso y Construcción de Nube de Puntos Conjunta:

   • Los épocas de EEG multicanal (30 segundos previos al despertar) se procesan utilizando incrustaciones de retraso de Takens (Takens delay embeddings).
   • Se utiliza un enfoque de ventana deslizante con una ventana de 5 segundos (500 muestras a 100 Hz) y un solapamiento del 80%.
   • Los vectores de retraso por canal se concatenan para formar una nube de puntos conjunta en $\mathbb{R}^{K \times d}$, donde $K$ es el número de canales y $d$ es la dimensión de incrustación (por defecto $d=7$, con barridos de sensibilidad hasta $d=15$).
   • Nota: Los autores reconocen explícamente que esta concatenación es un heurístico; no garantiza una reconstrucción de homeomorfismo de la atractora neural subyacente, pero captura las relaciones de fase entre canales.

2. Extracción de Características Topológicas (Curvas de Betti Dinámicas):

   • Se aplica la Filtración de Vietoris–Rips a las nubes de puntos. Para asegurar la tratabilidad computacional y evitar recuentos de simplex intratables, la filtración se acota:
     • El umbral de la curva de Betti primaria $\epsilon^*(t)$ se establece en el percentil 10 de las distancias de pares dentro de cada subventana.
     • Los paisajes de persistencia y la entropía se calculan con un límite en el percentil 25.
   • El sistema extrae Curvas de Betti Dinámicas ($\beta_0(t), \beta_1(t), \beta_2(t)$) que representan componentes conectados, bucles y vacíos, respectivamente.
   • Las características adicionales incluyen Paisajes de Persistencia, Entropía Persistente, la trayectoria de la Característica de Euler y una Relación de Persistencia Certificada (CPR) para la robustez al ruido.
   • La dimensionalidad total de las características es de aproximadamente 340 características de valor real por época.

3. Arquitectura de Clasificación:

   • Modelo 1 (Ensamble Topológico): Un clasificador XGBoost entrenado con el vector completo de características topológicas.
   • Modelo 2 (Ensamble de EEG Crudo): Un clasificador XGBoost entrenado con características estándar de PSD y catch22 (aprox. 220 características) para servir como línea base.
   • Modelo 2b (Línea Base de Dimensionalidad Igualada): El Modelo 2 expandido con bins espectrales adicionales para igualar el recuento de características del Modelo 1, asegurando que las comparaciones no estén sesgadas por la capacidad del espacio de características.
   • Modelo 3 (Fusión Temporal): Una arquitectura CNN-BiLSTM con atención cruzada para fusionar las características de EEG crudo y las topológicas.
   • Validación: El estudio emplea un esquema de validación cruzada de Dejar Fuera un Conjunto de Datos (LODO) a través de seis subconjuntos de acceso abierto de la base de datos DREAM. Crucialmente, las pruebas de hipótesis primarias se restringen a pliegues de "referencia armonizada" (donde los conjuntos de entrenamiento y prueba comparten el mismo tipo de referencia, ej. unipolar-a-Cz vs. bipolar) para evitar confundir la representación de la señal con el contenido del sueño.

4. Síntesis Generativa:

   • Se introduce un modelo de Flujo Rectificado Condicionado por Topología para sintetizar el EEG del estado de ensueño.
   • El modelo está condicionado por el vector de características topológicas ($\beta^*$) mediante un mecanismo de atención cruzada dentro de un esqueleto U-Net.
   • El entrenamiento utiliza la pérdida de Emparejamiento de Flujo Rectificado (LRM); se utiliza una métrica de fidelidad topológica ($L_{topo}$) para la validación offline, pero no es una pérdida de entrenamiento diferenciable debido a la no diferenciabilidad de la filtración de Vietoris–Rips.
   • Las líneas base incluyen flujo incondicional, flujo condicionado espectralmente (con dimensionalidad igualada), EEG-GAN, VAE y un modelo de difusión latente entrenado desde cero.

Contribuciones Clave

1. Primer Marco Topológico para la Detección de Sueños: Introduce la primera aplicación de la homología persistente para la clasificación de contenido onírico en la base de datos DREAM.
2. Curvas de Betti Dinámicas: Formaliza la extracción de $\beta_0, \beta_1, \beta_2$ a partir de incrustaciones de retraso de Takens multicanal como características discriminativas para estados de sueño vs. estados sin sueño.
3. Síntesis Condicionada por Topología: Propone un modelo de flujo rectificado que genera EEG condicionado por invariantes topológicos, evaluado frente a líneas base espectrales e incondicionales.
4. Espacio de Hipótesis Exploratorio: Presenta "arquetipos de transición de Betti" candidatos que vinculan patrones topológicos (ej. bucles de $\beta_1$ sostenidos) con categorías fenomenológicas de sueños (ej. narrativas estructuradas vs. recuerdos fragmentados), enmarcados explícitamente como hipótesis no validadas pendientes de confirmación empírica.

Resultados Proyectados y Objetivos de Rendimiento
El artículo etiqueta explícitamente todas las cifras de rendimiento como proyecciones basadas en benchmarks verificados de tareas relacionadas de TDA-EEG (estadiaje del sueño y EEG meditativo), no como resultados empíricos de la base de datos DREAM aún.

• Detección de Sueños en REM: Apunta a un AUC de 0.82–0.90, comparado con el benchmark actual de 0.700 (Wong et al.).
• Detección de Sueños en NREM: Apunta a un AUC de 0.72–0.78, comparado con la línea base de 0.586.
• Calidad Generativa: Proyecta una Tasa de Cobertura de Escenario (SCR) de 60–70% (vs. 3–5% aleatorio) y una Distancia de Fréchet de EEG (FED) más baja que las líneas base existentes.
• Ablación: Los autores anticipan que un modelo topológico reducido por PCA superará significativamente a la línea base de EEG crudo, confirmando que la ganancia se debe al contenido topológico y no a la dimensionalidad de las características.

Significancia y Reivindicaciones
El artículo reclama un cambio de paradigma en la detección de eventos raros neurales, pasando de preguntar "¿cuánta actividad cerebral está presente?" a "¿qué forma geométrica posee esa actividad?".

• Cambio Teórico: Argumenta que la topología captura la "forma del sueño" (bucles, vacíos y la integración persistente) que los métodos espectrales pasan por alto.
• Estado de Validación: Los autores son modestos en sus afirmaciones. Establecen que la "Hipótesis del Sueño Geométrico" y el mapeo específico de los números de Betti al contenido del sueño son exploratorios y requieren validación empírica en la base de datos DREAM.
• Limitaciones: El artículo reconoce ciertas restricciones:
  • Conducción de Volumen: La incapacidad de aplicar Laplacianos de superficie en montajes dispersos (6–18 canales) significa que la mezcla espacial de retardo cero sigue siendo un factor de confusión, abordado solo indirectamente mediante sustitutos MIAAFT y controles de perturbación de canales.
  • Representación de la Señal: El pipeline opera con tipos de señales matemáticamente diferentes (unipolar vs. bipolar) a través de los conjuntos de datos, lo que limita las afirmaciones de generalización entre conjuntos de datos hasta que se utilicen los pliegues de referencia armonizada.
  • Viabilidad en Tiempo Real: Aunque la latencia de la subventana es baja (<300 ms), la extracción completa de características por época toma actualmente varios segundos, lo que significa que el despliegue en BCI en tiempo real aún no se ha establecido.

En resumen, PHINN-EEG propone un novedoso enfoque topológico para la detección y síntesis de sueños. Aunque los objetivos de rendimiento proyectados son ambiciosos (AUC 0.82–0.90), el artículo los enmarca como objetivos de trabajo fundamentados en el éxito previo de la TDA en otros dominios de EEG, siendo el siguiente paso inmediato la ejecución empírica y la validación del pipeline en la base de datos DREAM.