Resumen Técnico: HERO-SNN

Planteamiento del Problema

Los datos cerebrales espaciotemporales, como la electroencefalografía (EEG) y la resonancia magnética funcional (fMRI), exhiben dinámicas temporales complejas y una actividad espacial distribuida que son difíciles de modelar. Aunque las Redes Neuronales de Picos (SNN, por sus siglas en inglés) ofrecen un marco biológicamente plausible para representar estas dinámicas mediante el procesamiento basado en picos, los mecanismos estándar de aprendizaje no supervisado, como la Plasticidad Dependiente del Tiempo de Disparo (STDP), operan puramente sobre la sincronía local de los picos. En consecuencia, las representaciones internas formadas por la STDP son ajenas a la tarea; capturan correlaciones generales de la señal, pero no se alinean explícitamente con los objetivos de clasificación o la relevancia conductual.

Cuando las SNN entrenadas con STDP se combinan con capas de lectura supervisadas (por ejemplo, deSNN), la conectividad interna permanece estática tras el entrenamiento no supervisado. Esto significa que la red puede preservar características dominantes de la señal, pero puede fallar al capturar patrones sutiles y discriminativos esenciales para estados cognitivos o clínicos específicos. Además, el resultado de la clasificación no influye en la estructura sináptica interna, lo que deja un vacío entre el aprendizaje de representaciones espaciotemporales no supervisadas y la optimización impulsada por tareas. Los métodos de SNN existentes, ya sean supervisados o basados en refuerzo, suelen sacrificar la plausibilidad biológica (localidad) para lograr el rendimiento de la tarea, o bien no logran refinar las representaciones internas basándose en los resultados de la tarea.

Metodología: HERO-SNN

Para abordar estas limitaciones, los autores proponen HERO-SNN (Red Neuronal de Picos Optimizada por Recompensa y Elegibilidad Homeostática). Este marco extiende la arquitectura existente de NeuCube mediante la introducción de una tercera fase de aprendizaje que refina la conectividad sináptica interna basándose en el rendimiento de la tarea, preservando al mismo tiempo el aprendizaje local basado en picos. La metodología consta de tres fases distintas:

1. Aprendizaje Espaciotemporal No Supervisado

• Codificación de Datos: Las señales de EEG se convierten en trenes de picos utilizando un método de codificación temporal basado en umbrales. Se genera un pico cuando el cambio en la amplitud de la señal supera un umbral predefinido ($\theta$).
• Mapeo de la Red: Las características de entrada (canales de EEG) se mapean a un reservorio de SNN 3D basado en coordenadas anatómicas (por ejemplo, el atlas de Talairach). La red se inicializa con conectividad de "mundo pequeño" (small-world), imitando sistemas biológicos con una mezcla de conexiones excitatorias e inhibitorias.
• Aprendizaje STDP: Los pesos sinápticos se actualizan utilizando reglas de STDP no supervisadas, permitiendo que la red se autoorganice de acuerdo con las correlaciones temporales en los datos de entrada.

2. Aprendizaje Supervisado (deSNN)

• Tras el entrenamiento con STDP, los pesos sinápticos en el reservorio se congelan.
• Se entrena una Red Neuronal de Picos Evolutiva Dinámica (deSNN) para asociar los patrones espaciotemporales aprendidos con las etiquetas de clase. Se crean neuronas prototipo para cada clase y las conexiones se inicializan mediante el aprendizaje de Orden de Rango (RO), donde los picos tempranos poseen una mayor importancia.

3. Refinamiento Consciente de la Tarea (HERO-SNN)

Esta fase novedosa introduce un bucle de retroalimentación donde la confianza en la clasificación modula las actualizaciones sinápticas internas. El proceso implica:

• Propagación hacia Adelante y Computación de Confianza: Las muestras de entrenamiento se vuelven a reproducir a través de la SNN entrenada. Una neurona de salida temporal estima el vector de confianza de la clase ($p_c(s)$) comparando el patrón de picos actual contra las neuronas prototipo almacenadas.
• Señal de Optimización: Se computa una señal de optimación escalar ($O$) como la diferencia entre la confianza de la clase real y la clase predicha. Esta señal indica si la representación interna respalda o entra en conflicto con el resultado correcto de la tarea.
• Trazas de Elegibilidad: Para identificar qué sinapsis contribuyeron a la decisión actual, se mantiene una traza de elegibilidad ($e_{ij}$) para cada sinapsis. Esta traza registra las sinapsis activadas durante la propagación de picos de la muestra reproducida.
• Refinamiento Sináptico: Los pesos sinápticos se actualizan utilizando la señal de optimización y la traza de elegibilidad: $\Delta w_{ij} = \eta \cdot O(s) \cdot e_{ij}(t)$. Esto fortalece o debilita selectivamente las sinapsis involucradas en las vías relevantes para la tarea.
• Regulación Homeostática: Para evitar dinámicas de red inestables (por ejemplo, disparos excesivos o silenciamiento) causadas por las actualizaciones repetidas de los pesos, un mecanismo homeostático adapta el umbral de disparo ($V_{th}$) de cada neurona. Si una neurona dispara por encima de una tasa objetivo, su umbral aumenta (reduciendo la excitabilidad); si dispara por debajo, su umbral disminuye. Esto asegura una actividad de picos dispersa y estable, permitiendo al mismo tiempo la adaptación.

Contribuciones Clave

1. Refinamiento Interno Consciente de la Tarea: A diferencia de los enfoques híbridos donde solo la capa de lectura es supervisada, HERO-SNN permite que las representaciones espaciotemporales internas de la SNN se refinen basándose en la retroalimentación de la tarea.
2. Integración de Señales Locales y Globales: El marco logra unir con éxito la brecha entre las reglas de aprendizaje biológico local (STDP, trazas de elegibilidad) y los objetivos globales de la tarea (confianza del clasificador) sin abandonar la localidad basada en picos.
3. Estabilidad Homeostática: La inclusión de la adaptación del umbral homeostático asegura que la red mantenga dinámicas de disparo estables durante el proceso de refinamiento, evitando la inestabilidad frecuentemente asociada con la plasticidad modulada por recompensa.
4. Interpretabilidad: Al refinar vías específicas basadas en la relevancia de la tarea, el modelo mejora la interpretabilidad de las representaciones neuronales internas.

Resultados Experimentales

El marco fue validado utilizando un conjunto de datos de EEG de referencia de un estudio de intervención de Havening, distinguiendo entre un protocolo de toque de crianza (H+) y un protocolo sin toque (H−).

• Conjunto de Datos: 276 muestras de EEG espaciotemporales (64 canales, 512 puntos temporales) de 23 participantes, divididas en conjuntos de entrenamiento y prueba a nivel de participante para asegurar la generalizabilidad.
• Rendimiento:
  • HERO-SNN logró una precisión de clasificación del 91.30% (F1-score: 0.91).
  • El modelo base STDP+deSNN (sin refinamiento) logró una precisión del 84.62%.
  • Esto representa una mejora del 11% en la precisión sobre el enfoque no supervisado estándar.
  • HERO-SNN superó a los modelos de aprendizaje profundo de vanguardia, incluyendo CNN (83.64%) y LSTM (69.05%), bajo las mismas condiciones de división por participante.
• Análisis: Los resultados indicaron que el proceso de refinamiento condujo a cambios localizados en la conectividad, fortaleciendo selectivamente las sinapsis relevantes para la tarea mientras preservaba la estructura general aprendida durante la STDP.

Significado y Reivindicaciones

El artículo sostiene que la incorporación de la retroalimentación de la tarea directamente en la adaptación de las representaciones neuronales espaciotemporales internas mejora significativamente tanto el rendimiento de la clasificación como la interpretabilidad del modelo. Los autores afirman que HERO-SNN demuestra que las SNN pueden ir más allá del aprendizaje de estructura puramente no supervisado para lograr una optimización específica de la tarea manteniendo la plausibilidad biológica mediante reglas de aprendizaje local y regulación homeostática.

El estudio sugiere que este enfoque es particularmente valioso para señales cerebrales de alta dimensión y ruidosas (como la EEG) donde la información relevante es a menudo débil y distribuida. Al refinar la conectividad interna para capturar mejor los patrones discriminativos, el modelo supera las limitaciones de la STDP estándar, que a menudo no logra alinearse con estados cognitivos o clínicos específicos. Los autores posicionan a HERO-SNN como un marco robusto aplicable a otros tipos de datos espaciotemporales, como las series temporales de fMRI, para aplicaciones de salud mental y neurológicas.