Riassunto Tecnico: Channel Adaptation for EEG Foundation Models

1. Il Problema (Problem Statement)

L'adozione su larga scala dei modelli di fondazione per l'elettroencefalografia (EEG) è ostacolata dall'eterogeneità dei montaggi elettrodici. I modelli pre-addestrati vengono solitamente addestrati su configurazioni di canali specifiche (es. 19 o 22 canali), mentre i dataset applicativi reali utilizzano spesso un numero e una disposizione di elettrodi differente (es. 64 canali).

Il problema centrale è come mappare segnali provenienti da un montaggio sorgente arbitrario nello spazio di input atteso dal modello senza perdere le informazioni spaziali e temporali cruciali per il compito downstream. Attualmente, non esiste un confronto sistematico tra le diverse strategie di adattamento dei canali in relazione alle architetture dei modelli e ai regimi di addestramento.

2. Metodologia (Methodology)

Gli autori conducono un benchmark sistematico incrociando cinque diverse variabili:

• Modelli di Fondazione (5): Vengono testati modelli con diverse scale (da 5M a 157M di parametri) e diverse filosofie architettoniche:
  • Rigidi: BENDR e Neuro-GPT (richiedono un numero fisso di canali).
  • Flessibili: EEGPT, LUNA e CBraMod (gestiscono nativamente montaggi variabili).
• Metodi di Adattamento dei Canali (5):
  1. Conv1d Projection: Una convoluzione 1x1 addestrata per mappare i canali.
  2. Spherical Spline Interpolation (SSI): Ricostruzione fisica basata sulla posizione 3D degli elettrodi.
  3. Riemannian Re-centering: Allineamento geometrico delle distribuzioni sulla varietà SPD (Symmetric Positive Definite).
  4. Source-space Decomposition (OmnEEG): Proiezione in una rappresentazione topologicamente agnostica tramite armoniche sferiche.
  5. Native: L'uso dei meccanismi interni del modello (per i modelli flessibili).
• Regimi di Addestramento (2):
  • Linear Probe: Il modello è congelato; si addestra solo il classificatore finale.
  • Supervised Fine-Tuning (SFT): Tutti i parametri del modello vengono sbloccati e addestrati.
• Dataset (5): Copertura di quattro domini: immaginazione motoria, rilevamento di eventi clinici, riconoscimento delle emozioni e screening della depressione (MDD).

3. Contributi Chiave (Key Contributions)

1. Prima comparazione sistematica: Il primo studio che analizza l'interazione tra metodi di adattamento, architetture di modelli e regimi di addestramento.
2. Dicotomia Rigido/Flessibile: Identificazione di una distinzione fondamentale tra modelli che richiedono adattamento esterno e modelli che lo gestiscono internamente.
3. Asimmetria Probe-SFT: Scoperta che l'adattamento esterno può causare un "trasferimento negativo" (negative transfer) durante il fine-tuning dei modelli flessibili.
4. Guida Pratica: Fornitura di un framework decisionale per la scelta del metodo di adattamento in base al deployment previsto.

4. Risultati Principali (Results)

• Modelli Rigidi: Necessitano obbligatoriamente di adattamento. Per BENDR, la proiezione Conv1d è ottimale; per Neuro-GPT, l'approccio Riemannian preserva meglio la struttura spaziale.
• Modelli Flessibili: In regime di SFT, l'uso di metodi esterni (come SSI o Riemannian) può degradare le prestazioni rispetto al metodo Native. Questo accade perché l'adattatore esterno crea obiettivi di ottimizzazione in conflitto con i meccanismi di attenzione interni del modello.
• Efficacia della Decomposizione in Spazio Sorgente (OmnEEG): Si è dimostrata eccezionale per il rilevamento della depressione (MDD), poiché cattura pattern globali (asimmetrie emisferiche) piuttosto che dettagli focali.
• Scala vs Architettura: Il modello più piccolo (CBraMod, 5M parametri) ha superato modelli fino a 31 volte più grandi in 4 dataset su 5, dimostrando che l'architettura specifica per l'EEG è più importante della pura dimensione del modello.
• Task Difficili: Il riconoscimento delle emozioni (FACED) rimane estremamente complesso per tutti i modelli testati.

5. Significato e Conclusioni (Significance)

Lo studio dimostra che non esiste un metodo di adattamento universale. La scelta ottimale dipende strettamente dall'architettura del modello:

• Se il modello è congelato (deployment rapido), l'adattamento esterno è sempre benefico.
• Se il modello viene fine-tuned, l'uso di adattatori esterni su modelli flessibili è controproducente e rischioso.

In sintesi, il lavoro fornisce una roadmap tecnica per i ricercatori che intendono implementare modelli di fondazione EEG in contesti clinici o di BCI (Brain-Computer Interface) dove la variabilità dei sensori è la norma.