How Does a Single EEG Channel Tell Us About Brain States in Brain-Computer Interfaces ?

Riepilogo Tecnico: EEG a Canale Singolo per la Classificazione dello Stato Cerebrale nelle BCI

Enunciazione del Problema
Sebbene l'Elettroencefalografia (EEG) sia un pilastro della ricerca sulle Interfacce Cervello-Computer (BCI) grazie alla sua natura non invasiva e all'alta risoluzione temporale, i sistemi ad alte prestazioni attuali si basano tipicamente su configurazioni multicanale che coprono l'intero cuoio capelluto. Queste configurazioni soffrono di elevati costi, configurazioni complesse e ridotta mobilità, limitandone l'adozione in applicazioni "reali" e cliniche quotidiane. Sebbene l'EEG a canale singolo offra un'alternativa promettente per le tecnologie indossabili, rimangono sfide significative nel decodificare efficacemente fenomeni neurologici complessi (come il calcolo mentale e l'immaginazione motoria) da un singolo elettrodo senza le informazioni spaziali fornite dalle array multicanale. Inoltre, le metodologie esistenti si concentrano spesso sull'addestramento su tutti i canali e sul test su uno solo, o sull'estrazione di caratteristiche per compiti specifici, lasciando ampiamente inesplorata la generalizzabilità di modelli addestrati su un singolo canale verso altri canali.

Metodologia
Lo studio propone una pipeline per classificare compiti cognitivi utilizzando dati EEG a canale singolo, sfruttando le Reti Neurali Convoluzionali (CNN) con un focus sulle caratteristiche spettrali-temporali. Il flusso di lavoro prevede tre fasi principali:

1. Acquisizione e Preprocessing dei Dati: Lo studio ha utilizzato tre dataset distinti che coinvolgono soggetti sani che eseguono compiti di Calcolo Mentale (MA) e Immaginazione Motoria (MI).
   • Dataset 1 e 2: Focalizzati su compiti MA con diversi numeri di elettrodi (22 e 30 canali).
   • Dataset 3: Focalizzato su compiti MI (riposo, mano, gomito) con 64 canali.
   • I segnali grezzi sono stati pre-elaborati (filtraggio passa-banda, rimozione degli artefatti, re-referencing) e segmentati in epoche.
2. Estrazione delle Caratteristiche: Invece dell'ingegneria manuale delle caratteristiche, lo studio ha impiegato l'analisi tempo-frequenza. La Potenza Spettrale Relativa agli Eventi (ERSP) è stata utilizzata per generare immagini spettrografiche (fissate a 224 × 224 pixel) dalle epoche EEG. Questo approccio cattura sia la dinamica di frequenza che quella temporale, trattando i dati come immagini 2D adatte all'elaborazione CNN.
3. Architettura del Modello e Strategie di Addestramento:
   • Architettura: È stata proposta una CNN 2D superficiale, composta da due blocchi di livelli Conv2D (50 filtri, kernel 5×5, attivazione ReLU) seguiti da normalizzazione batch e max pooling. Questo design mira a bilanciare la capacità di estrazione delle caratteristiche con un basso carico computazionale.
   • Strategia A (Addestramento Multicanale, Test a Canale Singolo): La CNN è stata addestrata su dati provenienti da tutti i canali disponibili per apprendere ampi modelli spaziali. È stata poi testata individualmente su ciascun canale per valutare il potere discriminatorio di elettrodi specifici.
   • Strategia B (Addestramento a Canale Singolo, Test a Canale Singolo): La CNN è stata addestrata esclusivamente su dati di un canale specifico e poi testata su tutti gli altri canali. Questo approccio valuta la capacità del modello di generalizzare i modelli appresi da una singola fonte a condizioni e canali diversi.
   • Valutazione: I modelli sono stati valutati utilizzando la validazione incrociata a 10 fold (dividendo i dati in 70% addestramento, 15% validazione, 15% test) su un numero di prove compreso tra 15.840 e 93.000. Le metriche includevano Accuratezza, Sensibilità, Specificità e punteggio F1.

Risultati Chiave
Lo studio ha dimostrato che i sistemi EEG a canale singolo possono ottenere prestazioni di classificazione robuste sia per i compiti MA che per quelli MI:

• Prestazioni Complessive: La CNN superficiale ha superato significativamente i metodi tradizionali (come l'Analisi Discriminante Lineare con shrinkage e le Macchine a Vettori di Supporto) e le architetture più profonde (come GoogLeNet e ShuffleNet) in termini di rapporto accuratezza-carico computazionale.
  • Dataset 1 (MA): Ha raggiunto un'accuratezza mediana del 93,75%.
  • Dataset 2 (MA): Ha raggiunto un'accuratezza mediana del 91,57% (rispetto al 75,9% con sLDA).
  • Dataset 2 (MI): Ha raggiunto un'accuratezza mediana dell'87,80% (rispetto al 65,6% con sLDA).
  • Dataset 3 (MI a 3 classi): Ha raggiunto un'accuratezza mediana dell'86,75% (rispetto al 68,68% con SVM).
• Risultati Specifici per Canale:
  • Risultati della Strategia A: I canali frontali e fronto-centrali (ad es. F4, AFF1h, FCC3h) hanno mostrato la massima accuratezza per i compiti di Calcolo Mentale (fino al 98,33%), mentre le regioni centrali e parietali (ad es. Pz, CCP3h) hanno ottenuto i migliori risultati per l'Immaginazione Motoria (fino al 96,55%). I canali temporali hanno generalmente mostrato prestazioni inferiori per questi compiti specifici.
  • Risultati della Strategia B: Il modello ha dimostrato una forte generalizzabilità. Ad esempio, nel Dataset 1, l'addestramento su canali come POO1, POO2 e P4 ha permesso al modello di raggiungere un'accuratezza del 100% quando testato su canali come P7, P3 e C3. Nel Dataset 2, l'addestramento su canali specifici ha prodotto accuratezze fino al 91,55% per MA e al 73,45% per MI quando testato su altri canali.
• Efficienza del Modello: La CNN superficiale ha offerto un compromesso favorevole, evitando il pesante carico computazionale delle reti più profonde (come LSTM o GoogLeNet) mantenendo al contempo un'accuratezza superiore.

Significato e Affermazioni
Gli autori affermano che questo studio contribuisce allo sviluppo di sistemi BCI a canale singolo pratici, a basso costo e facili da usare. Il significato del lavoro risiede in:

1. Fattibilità delle BCI a Canale Singolo: Dimostrare che stati cerebrali complessi possono essere decodificati utilizzando un singolo elettrodo, potenzialmente eliminando la necessità di caschi multielettrodo ingombranti nelle applicazioni reali.
2. Biomarcatori Robusti: Identificare specifici canali EEG (ROI) che sono più efficaci per compiti specifici, il che può guidare l'ottimizzazione del posizionamento degli elettrodi per dispositivi indossabili.
3. Generalizzabilità: Dimostrare che i modelli addestrati su canali singoli possono generalizzare ad altri canali, suggerendo che le caratteristiche neurali sottostanti sono trasferibili attraverso il cuoio capelluto, il che supporta l'adattabilità delle diagnosi basate su EEG.
4. Efficienza Computazionale: Validare che le reti neurali superficiali sono sufficienti per questo compito, rendendole adatte al deployment su hardware indossabile portatile e con risorse limitate.

Il documento conclude che, sebbene i sistemi multicanale offrano un'alta risoluzione spaziale, gli approcci a canale singolo supportati da framework di deep learning offrono un potenziale trasformativo per il dispiegamento delle BCI in contesti quotidiani, bilanciando la semplicità del sistema con un'accuratezza di classificazione ragionevole.