Subject-Calibrated Attention-State Classification during Digital Cognitive Tasks via MTFF: Band-Token Cross-Band Fusion on Single-Channel EEG

Resumen Técnico: Clasificación del Estado de Atención Calibrada por Sujeto mediante MTFF

Planteamiento del Problema
En el contexto del aprendizaje digital y el trabajo remoto, el monitoreo objetivo de los estados de atención durante tareas cognitivas basadas en pantalla es crítico para la interacción humano-computadora y la tecnología educativa. Si bien la electroencefalografía (EEG) ofrece una resolución de milisegundos de la dinámica neural, las soluciones existentes suelen depender de paradigios de laboratorio controlados o sistemas de múltiples canales. Existe una brecha significativa en la aplicación de estos métodos a la EEG de canal único, portátil y de consumo. Tales dispositivos tienen una baja carga de uso pero son altamente susceptibles a artefactos (oculares, EMG facial, movimiento) y carecen de la redundancia espacial de los sistemas de múltiples canales. Además, los modelos de aprendizaje profundo estándar suelen sufrir de sobreajuste cuando se aplican a los datos limitados y ruidosos típicos de las grabaciones de un solo canal, y los flujos de trabajo de características manuales pueden fallar al capturar las interacciones transitorias entre bandas que son esenciales para distinguir los estados de atención.

Metodología: El Marco MTFF
Los autores proponen MTFF (Multi-band Temporal Feature Fusion), un marco de clasificación diseñado específicamente para la EEG de un solo canal y portátil. La arquitectura aborda las limitaciones de los datos ruidosos y de muestras pequeñas mediante tres mecanismos principales:

1. Extracción de Características Temporales Multi-banda:

   • La señal bruta de 0.5–40 Hz se denosa primero utilizando Descomposición de Modos Empíricos mediante la Transformada de Hilbert Adaptativa Integrada con Ruido (CEEMDAN) para eliminar modos similares a artefactos basados en umbrales de energía y curtosis.
   • La señal limpia se descompone en cinco bandas de frecuencia canónicas: Delta (δ), Theta (θ), Alpha (α), Beta (β) y Gamma (γ).
   • En lugar de computar características estáticas de potencia de banda, MTFF emplea ramas de convolución temporal paralelas para cada banda. Estas ramas utilizan núcleos de convolución largos (campos receptivos que cubren 2–3 ciclos de la frecuencia más baja en cada banda) para aprender patrones rítmicos locales.
   • La salida de cada rama se comprime en un único token de banda aprendible (dimensión de incrustación $C=64$), resultando en cinco tokens distintos que representan las cinco bandas.

2. Fusión de Tokens de Banda mediante un Transformer Ligero:

   • Para modelar las interacciones entre las bandas de frecuencia sin el costo computacional y el riesgo de sobreajuste de la autoatención de secuencias largas, MTFF construye una secuencia de seis tokens: los cinco tokens de banda más un token de clase aprendible ($z_{cls}$).
   • Un codificador Transformer ligero opera sobre esta secuencia corta de 6 tokens. Utiliza autoatención de múltiples cabezales para modelar explícitamente la complementariedad y las dependencias entre las bandas de frecuencia.
   • La salida final se deriva del token de clase actualizado, el cual agrega el contexto global de las bandas de frecuencia.

3. Cabezal de Decisión de Capacidad Controlada:

   • Para prevenir el sobreajuste en conjuntos de datos de un solo sujeto y calibrados, la salida del Transformer se pasa a través de un cabezal de decisión lineal con regularización dispersa de norma $L_1$. Esto restringe la complejidad del modelo y fomenta soluciones dispersas, reduciendo la dependencia de señales específicas de ruido.

Diseño Experimental

• Datos: Los datos de EEG fueron recolectados de 50 participantes universitarios sanos realizando una tarea cognitiva digital que involucraba fases alternantes de atención enfocada (tarea de búsqueda de números) y línea base de baja atención (relajación).
• Protocolo: El estudio utilizó una división a nivel de ensayo 60/40 estratificada por sujeto. Los ensayos se dividieron dentro de cada participante en lugar de utilizar un protocolo de dejar un sujeto fuera (LOSO). Esto evalúa la generalización dependiente del sujeto (calibrada para el usuario) en lugar del rendimiento transversal libre de calibración.
• Líneas Base: El modelo MTFF fue comparado contra modelos clásicos de aprendizaje automático: Árbol de Decisión (DT), Perceptrón Multicapa (MLP), Bosque Aleatorio (RF) y Máquina de Vectores de Soporte (SVM).

Resultados Clave
Bajo la división por sujeto 60/40, MTFF demostró un rendimiento superior comparado con todas las líneas base:

• Exactitud (Accuracy): MTFF logró una exactitud media por sujeto de 0.8640 en los ensayos de prueba, superando a las líneas base (por ejemplo, MLP: 0.7375, RF: 0.6825).
• AUC: El AUC medio por sujeto fue de 0.9214, y el AUC agrupado a nivel de ensayo para todos los ensayos de prueba fue de 0.8928.
• Resistencia al Sobreajuste: Mientras que las líneas base como DT, MLP y RF lograron AUCs de entrenamiento casi perfectos (acercándose a 1.0) pero sufrieron caídas significativas en el rendimiento de prueba (indicando sobreajuste), MTFF mantuvo una brecha menor entre entrenamiento y prueba (AUC de entrenamiento: 0.9478 vs. AUC de prueba: 0.8928).
• Métricas Balanceadas: A diferencia de MLP y RF, que mostraron una alta sensibilidad pero una especificidad extremadamente baja (clasificando erróneamente la línea base como enfoque), MTFF logró un equilibrio balanceado con alta sensibilidad (0.8966) y alta especificidad (0.7961).

Significancia y Reivindicaciones
El artículo afirma que MTFF logra cerrar la brecha entre las características espectrales manuales y las arquitecturas profundas pesadas para la EEG de un solo canal y portátil. Su significancia radica en:

1. Modelado de Banda Cruzada Explícito: Al tokenizar las bandas de frecuencia, el modelo aprende explícitamente las interacciones entre $\delta, \theta, \alpha, \beta, \gamma$ en lugar de mezclarlas implícitamente mediante concatenación.
2. Eficiencia y Robustez: El diseño reduce el mecanismo de atención a un conjunto de tokens fijo y pequeño (6 tokens), lo que lo hace computacionalmente ligero y menos propenso al sobreajuste en datos limitados en comparación con los Transformers de puntos temporales.
3. Utilidad Calibrada por Sujeto: Los resultados apoyan la viabilidad del uso de la EEG de un solo canal y portátil para el monitoreo de la atención calibrado por sujeto, donde el sistema se entrena en los datos de un usuario específico para distinguir sus estados de enfoque vs. relajación.

Limitaciones y Alcance
Los autores declaran explícitamente que el estudio no pretende la generalización transversal libre de calibración (ya que no utilizó LOSO). La evaluación está estrictamente limitada a divisiones de ensayo dependientes del sujeto. Además, las etiquetas son proxies de la condición de la tarea en lugar de medidas conductuales directas, y la señal frontal de un solo canal sigue siendo vulnerable a artefactos oculares y de movimiento a pesar del preprocesamiento. Se identifica que el trabajo futuro es necesario para una validación verdadera independiente del sujeto, estudios de ablación de componentes y análisis de interpretabilidad.