PHINN-EEG: Topological Time-Series Analysis of Dream-State EEG -- Dynamic Betti Curves for Dream Content Classification and Topology-Conditioned Neural Signal Synthesis

Résumé Technique : PHINN-EEG

Énoncé du Problème
Les approches computationnelles actuelles pour la détection de la mentation onirique à partir de l'électroencéphalographie (EEG) reposent principalement sur la densité spectrale de puissance (PSD) et les caractéristiques de moments statistiques (par exemple, catch22). Bien que les méthodes de pointe atteignent une aire sous la courbe ROC (AUC) d'environ 0,70 sur la base de données DREAM, elles traitent le rêve comme un problème d'énergie spectrale. Les auteurs soutiennent que cette approche présente une limitation fondamentale : elle mesure combien d'activité cérébrale est présente, mais échoue à capturer la forme géométrique de cette activité. L'article postule que les états de rêve impliquent des architectures d'intégration de réseau qualitativement différentes (prédites par la Théorie de l'Information Intégrée et la Théorie de l'Espace de Travail Global) qui sont invisibles à la décomposition spectrale mais mesurables via des invariants topologiques.

Méthodologie : Le Pipeline PHINN-EEG
Le papier introduit PHINN-EEG (Persistent Homology Inspired Neural Network for EEG), un cadre qui déplace l'analyse de l'énergie spectrale vers la géométrie de l'espace des phases. Le pipeline se compose de quatre étapes principales :

1. Plongement de Délai et Construction de Nuage de Points Conjoint :

   • Les époques EEG multicanaux (30 secondes avant le réveil) sont traitées à l'aide de plongements de délai de Takens.
   • Une approche par fenêtre glissante est utilisée avec une fenêtre de 5 secondes (500 échantillons à 100 Hz) et un chevauchement de 80 %.
   • Les vecteurs de délai par canal sont concaténés pour former un nuage de points conjoint dans $\mathbb{R}^{K \times d}$, où $K$ est le nombre de canaux et $d$ la dimension d'embedding (par défaut $d=7$, avec des balayages de sensibilité jusqu'à $d=15$).
   • Note : Les auteurs reconnaissent explicitement que cette concaténation est une heuristique ; elle ne garantit pas une reconstruction diffeomorphe de l'attracteur neural sous-jacent mais capture les relations de phase inter-canaux.

2. Extraction de Caractéristiques Topologiques (Courbes de Betti Dynamiques) :

   • Une filtration de Vietoris–Rips est appliquée aux nuages de points. Pour assurer la tractabilité computationnelle et éviter des comptes de simplexes intraitables, la filtration est bornée :
     • Le seuil de la courbe de Betti primaire $\epsilon^*(t)$ est fixé au 10e percentile des distances par paires au sein de chaque sous-fenêtre.
     • Les paysages de persistance et l'entropie sont calculés avec un plafond au 25e percentile.
   • Le système extrait des Courbes de Betti Dynamiques ($\beta_0(t), \beta_1(t), \beta_2(t)$) représentant les composantes connexes, les boucles et les vides, respectivement.
   • Les caractéristiques supplémentaires incluent les Paysages de Persistance, l'Entropie de Persistance, la trajectoire de la Caractéristique d'Euler et un Ratio de Persistance Certifié (CPR) pour la robustesse au bruit.
   • La dimensionnalité totale des caractéristiques est d'environ 340 caractéristiques de valeurs réelles par époque.

3. Architecture de Classification :

   • Modèle 1 (Ensemble Topologique) : Un classifieur XGBoost entraîné sur le vecteur complet de caractéristiques topologiques.
   • Modèle 2 (Ensemble EEG Brut) : Un classifieur XGBoost entraîné sur les caractéristiques PSD et catch22 standard (environ 220 caractéristiques) pour servir de référence (baseline).
   • Modèle 2b (Référence de Dimensionnalité Égalisée) : Le Modèle 2 est étendu avec des bandes spectrales supplémentaires pour égaliser le nombre de caractéristiques du Modèle 1, garantissant que les comparaisons ne sont pas biaisées par la capacité de l'espace de caractéristiques.
   • Modèle 3 (Fusion Temporelle) : Une architecture CNN-BiLSTM utilisant l'attention croisée pour fusionner les caractéristiques EEG brutes et topologiques.
   • Validation : L'étude emploie un schéma de validation croisée Leave-One-Dataset-Out (LODO) à travers six sous-ensembles accessibles en libre accès de la base de données DREAM. Crucialement, les tests d'hypothèse primaires sont restreints aux plis de « référence harmonisée » (où les ensembles d'entraînement et de test partagent le même type de référence, ex: unipolaire-vers-Cz vs bipolaire) afin d'éviter de confondre la représentation du signal avec le contenu du rêve.

4. Synthèse Générative :

   • Un modèle de Flux Rectifié Conditionné par la Topologie est introduit pour synthétiser l'EEG en état de rêve.
   • Le modèle est conditionné sur le vecteur de caractéristiques topologiques ($\beta^*$) via un mécanisme d'attention croisée au sein d'un squelette U-Net.
   • L'entraînement utilise une perte de Rectified Flow Matching (LRM). Une métrique de fidélité topologique ($L_{topo}$) est utilisée pour la validation hors ligne mais n'est pas une perte de l'entraînement différentiable en raison de la non-différentiabilité de la filtration de Vietoris–Rips.
   • Les bases de comparaison incluent le flux inconditionnel, le flux conditionné par le spectre (dimensionnalité égalisée), l'EEG-GAN, le VAE et un modèle de diffusion latente entraîné de zéro.

Contributions Clés

1. Premier Cadre Topologique pour la Détection des Rêves : Introduit la première application de l'homologie persistante à la classification du contenu onirique sur la base de données DREAM.
2. Courbes de Betti Dynamiques : Formalise l'extraction de $\beta_0, \beta_1, \beta_2$ à partir des plongements de Takens multicanaux comme caractéristiques discriminantes pour les états de rêve vs sans rêve.
3. Synthèse Conditionnée par la Topologie : Propose un modèle de flux rectifié conditionné par les invariants topologiques, évalué par rapport aux bases spectrales et inconditionnelles.
4. Espace d'Hypothèses Exploratoires : Présente des « archétypes de transition de Betti » candidats liant les motifs topologiques (ex: boucles $\beta_1$ soutenues) aux catégories phénoménologiques de rêves (ex: récits structurés vs souvenirs fragmentés), explicitement formulés comme des hypothèses non validées en attente de confirmation empirique.

Résultats Projetés et Cibles de Performance
Le papier étiquette explicitement toutes les figures de performance comme des projections basées sur des références vérifiées de tâches TDA-EEG connexes (stades du sommeil et EEG méditatif), et non comme des résultats empiriques de la base de données DREAM.

• Détection des Rêves en REM : Cible une AUC de 0,82–0,90, comparée à la référence actuelle de 0,700 (Wong et al.).
• Détection des Rêves en NREM : Cible une AUC de 0,72–0,78, comparée à la référence de 0,586.
• Qualité Générative : Projette un Taux de Couverture de Scénario (SCR) de 60–70 % (contre 3–5 % pour l'aléatoire) et une distance de Fréchet EEG (FED) plus faible que les bases existantes.
• Ablation : Les auteurs anticipent qu'un modèle topologique réduit par PCA surpassera significativement le modèle EEG brut, confirmant que le gain provient du contenu topologique plutôt que de la dimensionnalité des caractéristiques.

Signification et Revendications
Le papier revendique un changement de paradigme dans la détection d'événements rares neuronaux, passant de la question « quelle quantité d'activité cérébrale est présente ? » à « quelle forme géométrique cette activité possède-t-elle ? ».

• Changement Théorique : Il soutient que la topologie capture la « forme du rêve » (boucles, vides persistants et intégration) que les méthodes spectrales manquent.
• Statut de Validation : Les auteurs sont modestes quant à leurs affirmations. Ils précisent que l'« Hypothèse du Rêve Géométrique » et la cartographie spécifique des nombres de Betti aux contenus de rêve sont exploratoires et nécessitent une validation empirique sur la base de données DREAM.
• Limites : Le papier reconnaît plusieurs contraintes :
  • Conduction de Volume : L'impossibilité d'appliquer des Laplaciens de surface sur des montages clairsemés (6–18 canaux) signifie que le mélange spatial à retard nul reste un facteur de confusion, traité seulement indirectement via des surrogats MIAAFT et des contrôles de perturbation de canaux.
  • Représentation du Signal : Le pipeline opère sur des types de signaux mathématiquement différents (unipolaire vs bipolaire) à travers les jeux de données, limitant les revendications de généralisation inter-jeux de données jusqu'à ce que les plis de référence harmonisée soient utilisés.
  • Faisabilité Temps Réel : Bien que la latence de sous-fenêtre soit faible (<300 ms), l'extraction complète des caractéristiques par époque prend actuellement plusieurs secondes, signifiant que le déploiement en BCI temps réel n'est pas encore établi.

En résumé, PHINN-EEG propose une nouvelle approche topologique pour la détection et la synthèse des rêves. Bien que les cibles de performance projetées soient ambitieuses (AUC 0,82–0,90), le papier les présente comme des objectifs de travail fondés sur le succès antérieur de la TDA dans d'autres domaines de l'EEG, l'étape immédiate étant l'exécution et la validation empirique du pipeline sur la base de données DREAM.