Riepilogo Tecnico: ScalpINR – Ricostruzione di Campi Neurali Interrogabili tramite Coordinate per la Super-Risoluzione Spaziale dell'EEG

1. Definizione del Problema

La super-risoluzione spaziale dell'elettroencefalografia (EEGSR) mira a ricostruire segnali EEG ad alta densità (HD) da osservazioni a bassa densità (LD). Sebbene sia fondamentale per applicazioni pratiche in cui l'acquisizione HD è ostacolata da costi, oneri di preparazione o limitazioni hardware, i metodi esistenti affrontano sfide significative di robustezza nelle implementazioni nel mondo reale.

Gli approcci allo stato dell'arte tipicamente apprendono una mappatura fissa da un layout di input a bassa densità predefinito a un layout di output ad alta densità fisso. Questa formulazione assume un set statico di elettrodi di input e di output. Tuttavia, in scenari realistici, la qualità degli elettrodi fluttua a causa di cattivi contatti, artefatti da movimento o variabilità dei dispositivi, portando a una mancanza casuale di canali (random channel missingness) e a modelli di canali visibili variabili. Quando il set di canali mancanti varia al momento del test, i modelli a mappatura fissa spesso falliscono perché si affidano a correlazioni specifiche per indice di canale piuttosto che apprendere una regola di ricostruzione basata sulla geometria del cuoio capelluto. Inoltre, i metodi di interpolazione classici, pur essendo consapevoli della geometria, tendono a smussare eccessivamente le strutture spaziali fini e non possono generare segnali in posizioni di elettrodi che non sono mai state osservate durante l'addestramento.

Il documento sostiene che l'EEGSR in presenza di mancanze casuali non debba essere trattata come il ripristino di un tensore di output fisso da un tensore di input mascherato. Al contrario, dovrebbe essere riformulata come la ricostruzione di un campo del cuoio capelluto interrogabile tramite coordinate da canali di supporto parzialmente osservati.

2. Metodologia: ScalpINR

Gli autori propongono ScalpINR (Support-Conditioned Implicit Neural Representation), un framework che apprende un campo del cuoio capelluto condizionale condiviso dai canali osservati e ricostruisce i segnali interrogando coordinate arbitrarie. L'architettura è composta da tre componenti principali:

2.1 Encoder di Canale Guidato dalla Posizione

Per gestire layout di input variabili, ScalpINR codifica esplicitamente la configurazione spaziale dei canali disponibili.

• Tokenizzazione: Per ogni canale visibile $c$, il segnale $x_c$ viene combinato con la sua coordinata 3D dell'elettrodo $p_c$. La coordinata viene trasformata tramite una funzione di embedding posizionale $\phi(\cdot)$ per creare un descrittore spaziale.
• Aggregazione: Le rappresentazioni del segnale e gli embedding posizionali vengono fusi in token per canale, che vengono poi aggregati da un encoder invariante alla permutazione (ad esempio, un Set Transformer o simili) in una singola rappresentazione latente del cuoio capelluto $z$. Ciò consente al modello di riassumere il contesto del segnale e il layout degli elettrodi indipendentemente da quali specifici canali siano visibili.

2.2 Decoder INR Condizionale Interrogabile tramite Coordinate

Il decoder utilizza una Rappresentazione Neurale Implicita (INR) per sintetizzare i segnali.

• Meccanismo di Query: Dato il condizionamento latente $z$, il decoder predice il valore EEG in qualsiasi coordinata di query arbitraria $p_q$ e tempo $t$ utilizzando una funzione di campo neurale condizionale: $\hat{x}(p_q, t) = f_\omega(z, \phi(p_q), \tau(t))$.
• Decoupling (Disaccoppiamento): Questo design disaccoppia la codifica dei dati osservati dalla generazione dei segnali target. Il modello non è limitato a slot di output predefiniti; può generare segnali in posizioni di elettrodi "non viste" semplicemente interrogando le loro coordinate.

2.3 Addestramento alla Corruzione dei Canali per la Preservazione della Fedeltà

Per evitare che il campo generato si discosti dalle evidenze osservate, specialmente sotto gravi mancanze, gli autori introducono una strategia di addestramento specializzata che coinvolge stati misti degli elettrodi:

• Elettrodi Mancanti: I segnali vengono rimossi dall'input per addestrare le capacità di recupero.
• Elettrodi Corrotti: I segnali vengono perturbati per simulare osservazioni instabili o degradate, migliorando la robustezza.
• Elettrodi Visibili ma Predetti: I canali rimangono nell'input ma sono inclusi nel target di predizione. Ciò impedisce al modello di trattare i canali osservati come segnali di passaggio non vincolati.
• Obiettivo: La perdita di addestramento combina una perdita di ricostruzione sui canali target ($L_{rec}$) e una perdita di fedeltà sui canali visibili ma predetti ($L_{fid}$), garantendo che il campo del cuoio capelluto inferito rimanga coerente con l'osservazione di supporto.

3. Contributi Chiave

1. Riformulazione del Problema: Il documento riformula l'EEGSR in presenza di mancanza casuale di canali come un problema di ricostruzione del cuoio capelluto condizionato dal supporto e interrogabile tramite coordinate. Questo unifica la ricostruzione di canali mancanti variabili e la generazione di segnali per elettrodi non visti in un unico framework.
2. Architettura ScalpINR: La proposta di un framework di rappresentazione neurale implicita guidato dalla posizione che codifica le osservazioni parziali in una condizione latente e ricostruisce i segnali tramite interrogazione delle coordinate, consentendo la generazione di segnali in posizioni mai viste durante l'addestramento.
3. Strategia di Addestramento: L'introduzione di una strategia di corruzione dei canali che preserva la fedeltà, che addestra il modello sotto stati misti di visibilità, corruzione e mancanza, imponendo la coerenza tra il campo inferito e i dati osservati.

4. Risultati Sperimentali

Il framework è stato valutato su tre dataset pubblici: SEED (emozione), AAD (attenzione uditiva) e BCI2000 (immaginazione motoria).

4.1 Ricostruzione di Canali Mancanti Casuali

Sotto diversi rapporti di supporto ($r$), ScalpINR ha superato costantemente i baseline (inclusi Spherical Spline, ZUNA, ImputeINR, CSDI, ESTformer, MCMA, SRGDiff) in termini di fedeltà del segnale (NMSE, PCC, SNR) e preservazione spettrale.

• Prestazioni: Sul dataset SEED con un rapporto di supporto sparso di $r=0.125$, ScalpINR ha ridotto l'NMSE di 0.10 rispetto al baseline più forte (MCMA) e ha migliorato l'SNR di 0.52 dB.
• Fedeltà Spettrale: Il metodo ha ottenuto l'errore spettrale più basso in tutti i dataset, indicando una superiore preservazione della struttura nel dominio della frequenza dell'EEG rispetto alla somiglianza waveform punto per punto.
• Utilità a Valle: I segnali ricostruiti hanno mantenuto l'informazione discriminativa per il compito, fornendo l'accuratezza migliore o pari alla migliore nei compiti di decodifica a valle (es. riconoscimento delle emozioni, immaginazione motoria).

4.2 Generazione di Elettrodi Non Visti Rigorosi

In un protocollo più rigoroso in cui un sottoinsieme di elettrodi è stato interamente escluso durante l'addestramento (mai usato come input), ScalpINR ha dimostrato la capacità di sintetizzare segnali in queste nuove posizioni.

• Risultati AAD: In un setting di esclusione rigorosa con supporto completo ($r=1$ per i canali visibili), ScalpINR ha ridotto l'NMSE del 37.5% e migliorato l'SNR di 2.12 dB rispetto al baseline più forte.
• Generalizzazione: Il modello è riuscito a estrapolare a posizioni di elettrodi non viste, mentre i metodi basati sull'interpolazione tendevano a smussare eccessivamente i dettagli, e altri baseline di deep learning mostravano deviazioni significative dal ground truth.

4.3 Efficienza

ScalpINR è computazionalmente efficiente, richiedendo solo 2.563M di parametri e raggiungendo una latenza di inferenza di 2.591 ms per campione. Questo è significativamente più veloce dei baseline basati su diffusione (es. SRGDiff a ~92 ms) pur mantenendo un'accuratezza superiore.

5. Significato e Rivendicazioni

Il documento afferma che ScalpINR affronta la fragilità degli attuali metodi EEGSR nelle implementazioni reali dove la disponibilità dei canali è imprevedibile. Spostandosi da un apprendimento a mappatura fissa a una ricostruzione di campo neurale interrogabile tramite coordinate, il metodo ottiene:

• Robustezza: La capacità di gestire la mancanza casuale di canali e layout di elettrodi variabili senza riaddestramento o cambiamenti architettonici.
• Estrapolazione: La capacità di sintetizzare segnali in posizioni di elettrodi che non sono mai state esposte come input durante l'addestramento, un traguardo difficile per l'interpolazione standard o i modelli di deep learning a mappatura fissa.
• Fedeltà: La generazione di segnali che preservano sia la morfologia temporale che la struttura spettrale, garantendo l'utilità per i compiti di decodifica a valle.

Gli autori concludono che questo paradigma interrogabile tramite coordinate offre una soluzione flessibile e robusta per l'acquisizione EEG sotto una disponibilità variabile di canali, con lavori futuri pianificati per estendere questo approccio al trasferimento di montaggio tra diversi dispositivi e a condizioni reali eterogenee.