Resumen Técnico: ¿Cuándo son fiables las estadísticas de EEG específicas del sujeto para la decodificación de la vigilancia cognitiva?

Planteamiento del problema

La decodificación de la vigilancia cognitiva a partir de señales electroencefalográficas (EEG) entre diferentes sujetos se ve obstaculizada por la significativa variabilidad intersujeto. El poder espectral en el EEG fluctúa no solo con el estado cognitivo, sino también con la fisiología individual, la calidad del contacto de los electrodos, los niveles de fatiga y las sesiones de registro. Mientras que los enfoques actuales de entre sujetos utilizan modelos convolucionales compactos, representaciones invariantes y alineación de dominios, una pregunta crítica sigue sin resolversese: ¿Cuándo son las estadísticas observadas de un nuevo sujeto objetivo lo suficientemente fiables como para reemplazar o superar la estimación de la población de origen?

Los periodos de registro cortos plantean un riesgo computacional específico: los momentos del objetivo estimados a partir de datos limitados presentan una alta variabilidad de muestreo y pueden representar un único estado de vigilancia. Reemplazar las robustas estadísticas de la población con estas estimaciones poco fiables puede desplazar el decodificador hacia regiones no representativas de la distribución de estados, provocando una degradación del rendimiento. Los métodos actuales de Adaptación en Tiempo de Prueba (TTA, por sus siglas en inglés) suelen tener dificultades con lotes pequeños, desequilibrio de clases y acumulación de errores, pero carecen de un mecanismo fundamentado para determinar cuándo confiar en los datos del objetivo.

Metodología

Los autores proponen un modelo computacional anclado en la fuente que trata la fiabilidad de las estadísticas de EEG del objetivo como una función del "presupuesto de datos del objetivo" declarado (el número de ventanas no etiquetadas observadas antes de la puntuación).

1. Protocolo experimental

El estudio emplea un protocolo de búfer-y-puntuación disjunto para separar estrictamente la adaptación de la evaluación:

• Búfer de Adaptación ($A_{t,n}$): Un conjunto no etiquetado de $n$ ventanas de un sujeto objetivo se utiliza para estimar las estadísticas dependientes del objetivo y realizar actualizaciones.
• Conjunto de Puntuación Disjunto ($Q_{t,n}$): Un conjunto separado de ventanas se puntúa utilizando el modelo adaptado. Ninguna característica o etiqueta de $Q_{t,n}$ influye en el estado del modelo.
• Conjuntos de datos: El protocolo fue evaluado en tres conjuntos de datos con características variables:
  • SADT: 11 sujetos, búferes disjuntos aleatorios.
  • MPD-DF: 50 participantes, búferes cronológicos (conducción simulada).
  • SEED-VIG: 21 participantes, búferes cronológicos (vigilancia del conductor basada en PERCLOS).

2. Contracción de Momentos Anclada en la Fuente

La contribución central es un estimador controlado por conteo que mezcla los momentos de la población de origen con los momentos del objetivo:

• Momentos del Objetivo: Calculados a partir del búfer ($\hat{\mu}_{t,n}, \hat{m}_{2,t,n}$).
• Momentos de la Fuente: Estadísticas de la población precalculadas ($\mu_s, m_{2,s}$).
• Peso de Contracción ($\rho_n$): Definido como $\rho_n = \frac{n}{n + \kappa}$, donde $n$ es el recuento de ventanas y $\kappa$ es un parámetro de fuerza de evidencia de la fuente seleccionado mediante validación de la fuente (sin etiquetas del objetivo).
• Mezcla: El modelo mezcla medias y segundos momentos (no solo varianzas) para asegurar que el desplazamiento de la media y la estimación de la escala permanezcan en la misma referencia. Las estadísticas finales ($\tilde{\mu}, \tilde{\sigma}^2$) se utilizan para estandarizar las características antes de la puntuación.
• Comportamiento: Con $n=0$, el sistema depende enteramente de la fuente. A medida que $n$ aumenta, el peso de los momentos del objetivo aumenta de forma monótona.

3. Arquitectura del Modelo y Controles

• Modelo Primario: Un codificador de Red Neuronal de Impulsos (SNN) que utiliza convoluciones temporales, convoluciones espaciales de profundidad (depthwise) y estados de integración y disparo con fuga (leaky integrate-and-fire).
• Controles:
  • Objetivo sin contracción (Unshrunk Target): Mismo camino pero con $\kappa=0$ (normalización completa del objetivo).
  • Gemelo Denso (Dense Twin): Una versión no pulsante con arquitectura idéntica para aislar el efecto de la dinámica de impulsos.
  • Líneas Base de Adaptación: T3A (pseudo-etiquetado), Buffer-Norm, Buffer-TENT y Buffer-SAR (minimización de entropía) para comparar contra la contracción de momentos.

Resultados Clave

1. Transiciones de Confianza Dependientes del Conjunto de Datos

El valor de la normalización del objetivo no es estático; depende del conjunto de datos y la composición del búfer:

• SADT: Muestra un cruce. Con presupuestos pequeños (3 ventanas), los momentos del objetivo sin contracción degradan significamente el rendimiento (-3.62 puntos de macro-F1) en comparación con la fuente. Sin embargo, a medida que el búfer crece (40 ventanas), los momentos sin contracción eventualmente superan a la fuente (+7.88 puntos).
• MPD-DF: Incluso con búferes grandes (300s), los momentos del objetivo sin contracción siguen siendo inferiores a la fuente (-3.68 puntos). El ancla de la población sigue siendo necesaria durante todo el horizonte probado.
• SEED-VIG: Demuestra el efecto más dramático. El uso de una sola ventana de 8 segundos para la normalización sin contracción redujo el macro-F1 en 16.79 puntos. El anclaje en la fuente limitó esta pérdida a 1.94 puntos.

2. Eficacia del Anclaje en la Fuente

• Rendimiento de SEED-VIG: El modelo de contracción anclado en la fuente superó consistentemente al camino sin contracción. A los 8 segundos, el modelo anclado excedió al modelo sin contracción por 14.84 puntos de macro-F1. Esta ventaja persistió (aunque se estrechó) hasta los 320 segundos (ventaja de 2.90 puntos).
• Significancia Estadística: La diferencia entre los caminos anclado y sin contracción fue estadísticamente significativa en todos los presupuestos probados en SEED-VIG (Holm-ajustado $p < 0.026$).
• Aislamiento del Mecanismo: La red gemela densa reprodujo exactamente la misma trayectoria que la SNN, confirmando que el beneficio surge de la fiabilidad de los momentos más que de la dinámica de impulsos.

3. Normalización vs. Actualizaciones de Gradiente

Los controles que utilizan actualizaciones basadas en entropía (TENT, SAR) o actualizaciones de soporte de clase (T3A) siguieron curvas casi idénticas a Buffer-Norm en SEED-VIG y MPD-DF. Esto indica que el fallo en los búferes cortos es impulsado por una estimación de momentos poco fiable (normalización de características) en lugar del objetivo de optimización o la maquinaria de gradiente específica.

4. Análisis por Clase

Los fallos en búferes cortos suelen manifestarse como severos compromisos de clase en lugar de declives uniformes. Por ejemplo, en SEED-VIG (8s), la normalización sin contracción aumentó la sensibilidad en 23.29 puntos pero desplomó la especificidad en 40.60 puntos. El anclaje en la fuente mitigó este desequilibrio, reduciendo la caída de la especificidad a 9.05 puntos.

Significado y Reivindicaciones

El artículo proporciona una explicación computacional de cuándo las distribuciones de EEG específicas del sujeto pueden soportar la decodificación de la vigilancia cognitiva. Los autores afirman que:

1. La fiabilidad depende del presupuesto: La confianza en los momentos específicos del sujeto debe aumentar con el número de ventanas de búfer declaradas. Los búferes cortos, de composición estrecha, requieren un ancla de la población para evitar la transferencia negativa.
2. El anclaje es superior a la adaptación fija o basada en gradientes: Un simple estimador de contracción controlado por conteo supera a las estrategias complejas de minimización de entropía o pseudo-etiquetado cuando los datos del objetivo son escasos.
3. Especificidad del Conjunto de Datos: No existe un tamaño de búfer "seguro" universal. Mientras que SADT eventualmente favoreció la normalización completa del objetivo, MPD-DF y SEED-VIG demostraron que la duración transcurrida por sí sola no garantiza una distribución representativa; el ancla de la población sigue siendo beneficiosa incluso con una cantidad sustancial de datos en algunos contextos.
4. Rigor Metodológico: Al imponer un protocolo de búfer-y-puntuación disjunto, el estudio aísla el efecto de la estimación de datos del objetivo de los factores de confusión de la optimización en línea (por ejemplo, la acumulación de errores de las ventanas puntuadas).

El trabajo concluye que un decodificador de vigilancia robusto debe comenzar con los momentos de la población de EEG, aumentar el peso de los momentos específicos del participante a medida que se acumula la evidencia (vía el conteo de ventanas) y reservar la normalización completa del objetivo solo para configuraciones donde las verificaciones de cobertura independientes confirmen que el búfer representa los estados de vigilancia del objetivo.