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

Riepilogo Tecnico: PHINN-EEG

Definizione del Problema
Gli attuali approcorsi computazionali per il rilevamento della mentazione onirica (sogno) tramite elettroencefalografia (EEG) si affidano principalmente alla Densità Spettrale di Potenza (PSD) e a caratteristiche dei momenti statistici (es. catch22). Sebbene i metodi allo stato dell'arte raggiungano un'Area Sotto la Curva ROC (AUC) di circa 0,70 sul database DREAM, essi trattano il sogno come un problema di energia spettrale. Gli autori sostengono che questo approccio presenti un limite fondamentale: misura quanta attività cerebrale è presente, ma non riesce a catturare la forma geometrica di tale attività. Il documento postula che gli stati onirici coinvolgano architetture di integrazione di rete qualitativamente diverse (predette dalla Teoria dell'Informazione Integrata e dalla Teoria dello Spazio di Lavoro Globale) che sono invisibili alla decomposizione spettrale ma misurabili tramite invarianti topologici.

Metodologia: La Pipeline PHINN-EEG
Il documento introduce PHINN-EEG (Persistent Homology Inspired Neural Network for EEG), un framework che sposta l'analisi dall'energia spettrale alla geometria dello spazio delle fasi. La pipeline consiste in quattro fasi principali:

1. Embedding Ritardato e Costruzione di Nuvole di Punti Congiunte:

   • Le epoche EEG multi-canale (30 secondi pre-risveglio) vengono elaborate utilizzando gli embedding ritardati di Takens.
   • Viene utilizzato un approccio a finestra scorrevole con una finestra di 5 secondi (500 campioni a 100 Hz) e un overlap dell'80%.
   • I vettori ritardati per canale vengono concatenati per formare una nuvola di punti congiunta in $\mathbb{R}^{K \times d}$, dove $K$ è il numero di canali e $d$ è la dimensione dell'embedding (default $d=7$, con sweep di sensibilità fino a $d=15$).
   • Nota: Gli autori riconoscono esplicitamente che questa concatenazione è un'euristica; non garantisce una ricostruzione diffeomorfica dell'attrattore neurale sottostante, ma cattura le relazioni di fase tra i canali.

2. Estrazione di Caratteristiche Topologiche (Curve di Betti Dinamiche):

   • Viene applicata la Filtratura di Vietoris–Rips alle nuvole di punti. Per garantire la trattabilità computazionale ed evitare conteggi di simplex intrattabili, la filtratura è limitata:
     • La soglia della curva di Betti primaria $\epsilon^*(t)$ è impostata al 1° percentile delle distanze a coppia all'interno di ogni sotto-finestra.
     • I landscape di persistenza e l'entropia vengono calcolati con un limite al 25° percentile.
   • Il sistema estrae le Curve di Betti Dinamiche ($\beta_0(t), \beta_1(t), \beta_2(t)$) che rappresentano componenti connesse, loop e vuoti, rispettivamente.
   • Le caratteristiche aggiuntive includono i Landscape di Persistenza, l'Entropia Persistente, la traiettoria della Caratteristica di Eulero e un Rapporto di Persistenza Certificato (CPR) per la robustezza al rumore.
   • La dimensionalità totale delle caratteristiche è di circa 340 caratteristiche a valori reali per epoca.

3. Architettura di Classificazione:

   • Modello 1 (Ensemble Topologico): Un classificatore XGBoost addestrato sull'intero vettore di caratteristiche topologiche.
   • Modello 2 (Ensemble EEG Raw): Un classificatore XGBoost addestrato su caratteristiche standard PSD e catch22 (circa 220 caratteristiche) per fungere da baseline.
   • Modello 2b (Baseline a Dimensionalità Corrispondente): Modello 2 esteso con ulteriori bin spettrali per eguagliare il numero di caratteristiche del Modello 1, garantendo che i confronti non siano distorti dalla capacità dello spazio delle caratteristiche.
   • Modello 3 (Fusione Temporale): Un'architettura CNN-BiLSTM con cross-attention per fondere le caratteristiche EEG raw e quelle topologiche.
   • Validazione: Lo studio impiega uno schema di cross-validazione Leave-One-Dataset-Out (LODO) attraverso sei sotto-insiemi ad accesso aperto del database DREAM. Fondamentalmente, il test dell'ipotesi primaria è limitato ai fold "harmonised-reference" (dove set di addestramento e test condividono lo stesso tipo di riferimento, ad esempio unipolare-a-Cz vs bipolare) per evitare di confondere la rappresentazione del segnale con il contenuto del sogno.

4. Sintesi Generativa:

   • Viene introdotto un modello di Flusso Rettificato Condizionato dalla Topologia per sintetizzare l'EEG dello stato onirico.
   • Il modello è condizionato dal vettore di caratteristiche topologiche ($\beta^*$) tramite un meccanismo di cross-attention all'interno di un backbone U-Net.
   • L'addestramento utilizza la perdita di Rectified Flow Matching (LRM). Una metrica di fedeltà topologica ($L_{topo}$) viene utilizzata per la validazione offline, ma non è una perdita di addestramento differenziabile a causa della non differenziabilità della filtratura di Vietoris–Rips.
   • Le baseline includono il flusso incondizionato, il flusso condizionato spettralmente (con dimensionalità corrispondente), EEG-GAN, VAE e un modello di diffusione latente addestrato da zero.

Contributi Chiave

1. Primo Framework Topologico per il Rilevamento del Sogno: Introduce la prima applicazione della persistenza dell'omologia alla classificazione del contenuto onirico sul database DREAM.
2. Curve di Betti Dinamiche: Formalizza l'estrazione di $\beta_0, \beta_1, \beta_2$ dagli embedding ritardati di Takens multi-canale come caratteristiche discriminanti per gli stati di sogno vs assenza di sogno.
3. Sintesi Condizionata dalla Topologia: Propone un modello di flusso rettificato che genera EEG condizionati da invarianti topologici, valutati rispetto alle baseline spettrali e incondizionate.
4. Spazio Ipoteico Esplorativo: Presenta "archetipi di transizione di Betti" candidati che collegano i pattern topologici (es. loop $\beta_1$ sostenuti) alle categorie fenomenologiche del sogno (es. narrazioni strutturate vs richiami frammentati), esplicitamente inquadrati come ipotesi non validate in attesa di conferma empirica.

Risultati Proiettati e Obiettivi di Performance
Il documento etichetta esplicitamente tutte le figure di performance come proiezioni, basate su benchmark verificati di task TDA-EEG correlati (stadiazione del sonno ed EEG meditativo), non ancora risultati empirici del database DREAM.

• Rilevamento del Sogno REM: Obiettivo un AUC di 0,82–0,90, rispetto al benchmark attuale di 0,700 (Wong et al.).
• Rilevamento del Sogno NREM: Obiettivo un AUC di 0,72–0,78, rispetto alla baseline di 0,586.
• Qualità Generativa: Proietta un Tasso di Copertura degli Scenari (SCR) del 60–70% (rispetto al 3–5% casuale) e una Fréchet EEG Distance (FED) inferiore rispetto alle baseline esistenti.
• Ablazione: Gli autori anticipano che un modello topologico ridotto tramite PCA supererà significativamente la baseline EEG raw, confermando che il guadagno è dovuto al contenuto topologico piuttosto che alla dimensionalità delle caratteristiche.

Significatività e Rivendicazioni
Il documento rivendica un cambio di paradigma nel rilevamento di eventi rari neurali, passando dal chiedere "quanta attività cerebrale è presente?" al chiedere "quale forma geometrica possiede quell'attività?".

• Spostamento Teorico: Argomentano che la topologia cattura la "forma del sogno" (loop persistenti, vuoti, integrazione) che i metodi spettrali perdono.
• Stato di Validazione: Gli autori sono modesti riguardo alle loro rivendicazioni. Affermano che l' "Ipotesi del Sogno Geometrico" e la specifica mappatura dei numeri di Betti al contenuto del sogno sono esplorative e richiedono validazione empirica sul database DREAM.
• Limitazioni: Il documento riconosce alcune limitazioni:
  • Conduzione di Volume: L'impossibilità di applicare Laplaciani di superficie su montaggi radi (6–18 canali) significa che il mixing spaziale a zero-lag rimane un fattore di confusione, affrontato solo indirettamente tramite surrogati MIAAFT e controlli di perturbazione dei canali.
  • Rappresentazione del Segnale: La pipeline opera su tipi di segnale matematicamente diversi (unipolare vs bipolare) tra i dataset, limitando le rivendicazioni di generalizzazione tra i dataset finché non vengono utilizzati i fold a riferimento armonizzato.
  • Fattibilità in Tempo Reale: Sebbene la latenza della sotto-finestra sia bassa (<300 ms), l'estrazione completa delle caratteristiche per epoca richiede attualmente diversi secondi, il che significa che l'implementazione in tempo reale per BCI non è ancora stabilita.

In sintesi, PHINN-EEG propone un nuovo approccio topologico per il rilevamento e la sintesi del sogno. Sebbene gli obiettivi di performance proiettati siano ambiziosi (AUC 0,82–0,90), il documento li inquadra come obiettivi di lavoro basati sul precedente successo della TDA in altri domini EEG, con il passo immediato successivo che è l'esecuzione empirica e la validazione della pipeline sul database DREAM.