Résumé technique : ScalpINR – Reconstruction de champs neuraux par requête de coordonnées pour la super-résolution spatiale de l'EEG

1. Énoncé du problème

La super-résolution spatiale de l'électroencéphalographie (EEGSR) vise à reconstruire des signaux EEG haute densité (HD) à partir d'observations de faible densité (LD) éparses. Bien que cruciale pour les applications pratiques où l'acquisition HD est entravée par les coûts, la charge de préparation ou les limitations matérielles, les méthodes existantes font face à des défis de robustesse importants lors de déploiements en conditions réelles.

Les approches de pointe actuelles apprennent généralement une mise en correspondance fixe d'une disposition d'entrée à faible densité prédéfinie vers une disposition de sortie à haute densité fixe. Cette formulation suppose un ensemble statique d'électrodes d'entrée et de sortie. Cependant, dans des scénarios réalistes, la qualité des électrodes fluctue en raison de mauvais contacts, d'artefacts de mouvement ou de la variabilité des dispositifs, entraînant une absence aléatoire de canaux et des changements de motifs de canaux visibles. Lorsque l'ensemble des canaux manquants varie au moment du test, les modèles à mise en correspondance fixe échouent souvent car ils reposent sur des corrélations spécifiques à l'indice du canal plutôt que sur l'apprentissage d'une règle de reconstruction fondée sur la géométrie du cuir chevelu. De plus, les méthodes d'interpolation classiques, bien que conscientes de la géométrie, ont tendance à trop lisser les structures spatiales fines et ne peuvent pas générer de signaux aux emplacements d'électrodes qui n'ont jamais été observés lors de l'entraînement.

L'article pose que l'EEGSR sous absence de canaux aléatoire ne doit pas être traitée comme la restauration d'un tenseur de sortie fixe à partir d'un tenseur d'entrée masqué. Au contraire, elle doit être reformulée comme la reconstruction d'un champ de cuir chevelu interrogeable par coordonnées.

2. Méthodologie : ScalpINR

Les auteurs proposent ScalpINR (Support-Conditioned Implicit Neural Representation), un cadre qui apprend un champ de cuir chevelu conditionnel partagé à partir des canaux observés et reconstruit les signaux en interrogeant des coordonnées arbitraires. L'architecture se compose de trois composants fondamentaux :

2.1 Encodeur de canaux guidé par la position

Pour gérer les configurations d'entrée variables, ScalpINR encode explicitement la configuration spatiale des canaux disponibles.

• Tokenisation : Pour chaque canal visible $c$, le signal $x_c$ est combiné avec sa coordonnée d'électrode 3D $p_c$. La coordonnée est transformée via une fonction d'encodage de position $\phi(\cdot)$ pour créer un descripteur spatial.
• Agrégation : Les représentations de signaux et les encodages de position sont fusionnés en tokens par canal, qui sont ensuite agrégés par un encodeur invariant par permutation (par exemple, un Set Transformer ou similaire) en une représentation latente unique du cuir chevelu $z$. Cela permet au modèle de résumer le contexte du signal et la disposition des électrodes, quel que soit le cas spécifique de visibilité des canaux.

2.2 Décodeur INR conditionnel interrogeable par coordonnées

Le décodeur utilise une représentation neurale implicite (INR) pour synthétiser les signaux.

• Mécanisme de requête : Étant donné la condition latente $z$, le décodeur prédit la valeur de l'EEG à n'importe quelle coordonnée de requête $p_q$ et un temps $t$ en utilisant une fonction de champ neural conditionnelle : $\hat{x}(p_q, t) = f_\omega(z, \phi(p_q), \tau(t))$.
• Découplage : Cette conception découple l'encodage des données observées de la génération des signaux cibles. Le modèle n'est pas limité à des emplacements de sortie prédéfinis ; il peut générer des signaux aux emplacements d'électrodes « non vus » simplement en interrogeant leurs coordonnées.

2.3 Entraînement par corruption de canaux préservant la fidélité

Pour éviter que le champ généré ne s'éloigne des preuves observées, en particulier sous une forte absence de données, les auteurs introduisent une stratégie d'entraînement spécialisée impliquant des états d'électrodes mixtes :

• Électrodes manquantes : Les signaux sont supprimés de l'entrée pour entraîner les capacités de récupération.
• Électrodes corrompues : Les signaux sont perturbés pour simuler des observations instables ou dégradées, améliant ainsi la robustesse.
• Électrodes visibles mais prédites : Les canaux restent dans l'entrée mais sont inclus dans la cible de prédiction. Cela empêide le modèle de traiter les canaux observés comme des signaux de passage sans contrainte.
• Objectif : La perte d'entraînement combine une perte de reconstruction sur les canaux cibles ($L_{rec}$) et une perte de fidélité sur les canaux visibles-mais-prédits ($L_{fid}$), garantissant que le champ de cuir chevelu inféré reste cohérent avec le support observé.

3. Principales contributions

1. Reformulation du problème : L'article reformule l'EEGSR sous absence de canaux aléatoire comme un problème de reconstruction de champ de cuir chevelu interrogeable par coordonnées et conditionné par le support. Cela unifie la reconstruction de canaux manquants variables et la génération de signaux d'électrodes non vues strictes au sein d'un même cadre.
2. Architecture ScalpINR : La proposition d'un cadre de représentation neurale implicite guidé par la position qui encode les observations partielles en une condition latente et reconstruit les signaux via l'interrogation de coordonnées, permettant la génération de signaux à des emplacements jamais vus lors de l'entraînement.
3. Stratégie d'entraînement : L'introduction d'une stratégie de corruption de canaux préservant la fidélité qui entraîne le modèle sous des états mixtes (visibles, corrompus et manquants), imposant la cohérence entre le champ inféré et les données observées.

4. Résultats expérimentaux

Le cadre a été évalué sur trois jeux de données publics : SEED (émotion), AAD (attention auditive) et BCI2000 (imagerie motrice).

4.1 Reconstruction de canaux manquants aléatoires

Sous des ratios de support ($r$) variables, ScalpINR surpasse systématiquement les bases (incluant Spherical Spline, ZUNA, ImputeINR, CSDI, ESTformer, MCMA, et SRGDiff) en termes de fidélité du signal (NMSE, PCC, SNR) et de préservation spectrale.

• Performance : Sur le jeu de données SEED avec un ratio de support faible de $r=0,125$, Scalp cela réduit le NMSE de 0,10 par rapport à la base la plus forte (MCMA) et améliore le SNR de 0,52 dB.
• Fidélité spectrale : La méthode a obtenu l'erreur spectrale la plus faible sur tous les jeux de données, indiquant une préservation supérieure de la structure fréquentielle de l'EEG par rapport à la similitude de forme d'onde point par point.
• Utilité en aval : Les signaux reconstruits conservent l'information discriminante pour les tâches, offrant la meilleure précision ou une précision égale dans les tâches de décodage en aval (ex: reconnaissance des émotions, imagerie motrice).

4.2 Génération d'électrodes non vues strictes

Dans un protocole plus strict où un sous-ensemble d'électrodes a été entièrement écarté pendant l'entraînement (jamais utilisé comme entrée), ScalpINR a démontré sa capacité à synthétiser des signaux à ces nouveaux emplacements.

• Résultats AAD : Sous un réglage strict d'écart avec un support complet ($r=1$ pour les canaux visibles), ScalpINR a réduit le NMSE de 37,5 % et amélioré le SNR de 2,12 dB par rapport à la base la plus forte.
• Généralisation : Le modèle a réussi à extrapoler vers des emplacements d'électrodes non vus, alors que les méthodes d'interpolation avaient tendance à trop lisser les détails, et que d'autres bases de deep learning montraient des écarts significatifs par rapport à la vérité terrain.

4.3 Efficacité

ScalpINR est informatiquement efficace, ne nécessitant que 2,563 M de paramètres et atteignant une latence d'inférence de 2,591 ms par échantillon. C'est nettement plus rapide que les bases basées sur la diffusion (ex: SRGDiff à ~92 ms) tout en maintenant une meilleure précision.

5. Signification et affirmations

L'article affirme que ScalpINR répond à la fragilité des méthodes d'EEGSR existantes dans les déploiements réels où la disponibilité des canaux est imprévisible. En passant d'un apprentissage de mise en correspondance fixe à une reconstruction de champ neural interrogeable par coordonnées, la méthode atteint :

• Robustesse : La capacité de gérer l'absence de canaux aléatoire et les variations de disposition d'électrodes sans réentraînement ni changement architectural.
• Extrapolation : La capacité de synthétiser des signaux à des emplacements d'électrodes qui n'ont jamais été exposés comme entrées lors de l'entraînement, un exploit difficile pour les modèles de deep learning standards ou d'interpolation.
• Fidélité : La génération de signaux qui préservent à la fois la morphologie temporelle et la structure spectrale, garantissant l'utilité pour les tâches de décodage en aval.

Les auteurs concluent que ce paradigme interrogeable par coordonnées offre une solution flexible et robuste pour l'acquisition d'EEG sous une disponibilité de canaux variable, avec des travaux futurs prévus pour étendre cela au transfert de montage entre dispositifs et aux conditions réelles hétérogènes.