Real-Time Cognitive State Decoding from EEG Using a Hybrid Quantum--Classical Neural Framework

Resumen Técnico: Decodificación del Estado Cognitivo en Tiempo Real a partir de EEG mediante un Marco Neuronal Híbrido Cuántico-Clásico

Planteamiento del Problema
La decodificación precisa de los estados cognitivos a partir de señales de electroencefalografía (EEG) se ve obstaculizada por desafíos inherentes a la señal, incluyendo altos niveles de ruido, no estacionariedad, bajas relaciones señal-ruido y una significativa variabilidad inter e intra-sujeto. Mientras que los métodos tradicionales de aprendizaje automático (por ejemplo, SVM) ofrecen baja latencia, tienen dificultades para modelar la compleja dinámica no lineal del EEG. Por el contrario, los modelos de aprendizaje profundo (por ejemplo, CNN, LSTM) mejoran la precisión, pero a menudo requieren grandes conjuntos de datos, recursos computacionales sustanciales e incurren en latencias de inferencia que exceden las restricciones de las aplicaciones de Interfaz Cerebro-Computadora (BCI) en tiempo real. Además, los marcos de EEG cuánticos existentes (como quEEGNet y QEEGNet) se han centrado principalmente en el rendimiento offline o en la simulación, careciendo de informes sobre la latencia de inferencia de extremo a extremo y de canales de implementación listos para la operación en tiempo real.

Metodología: El Marco QNeuroGen
Los autores proponen QNeuroGen, una arquitectura de aprendizaje híbrida cuántica-clásica diseñada para la clasificación de estados cognitivos multiclasificación en tiempo real. El sistema opera como un canal modular y entrenable de extremo a extremo que comprende cuatro etapas:

1. Preprocesamiento Clásico: Los datos de EEG del conjunto de datos DEAP (32 sujetos, 14 canales, 128 Hz) se someten a un filtrado de paso de banda (1–40 Hz), eliminación de artefactos mediante Análisis de Componentes Independientes (ICA) y segmentación en ventanas de 1 segundo con un solapamiento del 50%. Las características se estandarizan a media cero y varianza unitaria.
2. Codificación de Características Cuánticas: Los vectores de características de EEG normalizados se mapean en un espacio de Hilbert cuántico de alta dimensión utilizando codificación de amplitud. Para capturar explícitamente las características oscilatorias en el dominio de la frecuencia, se aplica una Transformada de Fourier Cuántica (QFT) a los estados codificados.
3. Circuito Cuántico Variacional (VQC): Los estados codificados son procesados por un VQC poco profundo y parametrizado. Este circuito consiste en puertas de rotación de un solo qubit entrenables ($R_x, R_y, R_z$) y operaciones de entrelazamiento (CNOT o CZ). El VQC actúa como un mapeador de características no lineales, transformando las características clásicas en una representación cuántica capaz de capturar correlaciones de orden superior.
4. Inferencia Neuronal Clásica: Se miden los valores de expectativa de observables predefinidos para generar un vector de características compacto derivado de la computación cuántica. Este vector se introduce en una red neuronal de alimentación hacia adelante (feedforward) ligera (tres capas densas con activaciones ReLU y una salida softmax) para la clasificación final.

Entrenamiento y Optimización
El marco utiliza una estrategia de entrenamiento diferenciable de extremo a extremo. Los pesos de la red clásica se optimizan mediante la retropropagación estándar, mientras que los parámetros del circuito cuántico se actualizan utilizando la regla de desplazamiento de parámetros (parameter-shift rule) para la estimación exacta del gradiente. El modelo se entrena utilizando el optimizador Adam con parada temprana (early stopping), empleando una función de pérdida de entropía cruzada regularizada.

Contribuciones Clave
El artículo describe siete contribuciones primarias:

1. Arquitectura Híbrida: Un canal de extremo a extremo, consciente de la latencia y entrenable, que integra la extracción de características potenciada por la computación cuántica con la inferencia clásica ligera, restringido a los límites de ejecución de la era NISQ.
2. Codificación Adaptativa a la Tarea: Un codificador cuántico parametrizado que utiliza codificación de amplitud y de rotación para representar dependencias espectrales-temporales complejas.
3. Diseño de VQC Poco Profundo: Un módulo de aprendizaje de representación discriminativa mediante rotaciones entrenables y entrelazamiento, optimizado para dispositivos cuánticos de escala intermedia ruidosa (NISQ).
4. Entrenamiento Diferenciable: Una estrategia de optimización coordinada que combina gradientes de desplazamiento de parámetros con retropropagación.
5. Despliegue en Tiempo Real: Un sistema de inferencia contenedorizado (Docker) con una API REST, que logra una ejecución de baja latencia.
6. Evaluación Exhaustiva: Benchmarking extensivo contra bases de referencia clásicas y de aprendizaje profundo bajo condiciones idénticas.
7. Reproducibilidad: Un canal de investigación modular y extensible diseñado para futuras investigaciones en neurotecnología.

Resultados Experimentales
Los experimentos se realizaron con el conjunto de datos DEAP, apuntando a cuatro estados cognitivos: Carga de Trabajo (Workload), Atención, Relajación y Estrés.

• Precisión de Clasificación: QNeuroGen logró una precisión media del 89.2% (±1.2%), superando al baseline más fuerte, una Red Neuronal Convolucional (CNN), por un margen absoluto del 12.1%. También superó significativamente a SVM (68.4%) y LSTM (74.3%).
• Latencia de Inferencia: El sistema logró una latencia de inferencia de extremo a extremo de 48 ms, satisfaciendo el umbral de tiempo real de <50 ms. Esto es notablemente más rápido que los baselines de CNN (72 ms) y LSTM (81 ms), a pesar de la inclusión de los pasos de simulación cuántica.
• Estudios de Ablación: Eliminar el VQC o la QFT resultó en una degradación significativa de la precisión (cayendo a 82.9% y 84.6% respectivamente), confirmando que las ganancias de rendimiento provienen de la representación de características potenciada por la computación cuántica y no de un aumento en la complejidad del modelo clásico.
• Eficiencia: El modelo utilizó aproximadamente $10^5$ parámetros entrenables, un orden de magnitud menos que los baselines de aprendizaje profundo ($10^6$), mientras se ejecutaba en una CPU con un backend de simulador cuántico.

Significancia y Reivindicaciones
El artículo afirma que QNeuroGen aborda brechas críticas en la literatura de decodificación de EEG al lograr simultáneamente una alta precisión predictiva y viabilidad operativa en tiempo real. A diferencia de los estudios previos de EEG cuántico que se centran en la evaluación offline, este trabajo demuestra un canal listo para el despliegue. Los autores sostienen que el marco aprovecha con éxito la superposición y el entrelazamiento cuántico para crear representaciones de características más ricas que capturan las dinámicas no lineales del EEG de manera más efectiva que los métodos clásicos, sin incurrir en la carga computacional típica del aprendizaje profundo. Los resultados sugieren que los modelos híbridos cuánticos-clásicos ofrecen una vía viable para los sistemas neuroadaptativos de próxima generación, equilibrando la relación entre precisión y latencia.

Limitaciones
Los autores reconocen que los componentes cuánticos fueron evaluados utilizando simuladores de estado vectorial en lugar de hardware cuántico físico, lo que significa que el rendimiento en dispositivos NISQ reales con diferentes características de ruido aún debe ser verificado. Además, aunque el modelo funcionó bien para el conjunto de datos específico, la generalización entre sujetos y entre conjuntos de datos se identifica como un área para futuras investigaciones.