AutoML-XAI convolutional neural network for hypnotic susceptibility classification from segmented multichannel EEG

Sintesi Tecnica: CNN AutoML-XAI per la Classificazione della Suscettibilità Ipnotica

Definizione del Problema
La classificazione della suscettibilità ipnotica tramite elettroencefalogramma (EEG) rimane un campo sottoutilizzato e metodologicamente incoerente rispetto ad altri compiti EEG, come la rilevazione delle crisi epilettiche o la stadiazione del sonno. Gli studi esistenti spesso si affidano all'estrazione di caratteristiche classiche (ad es., entropia differenziale) o a modelli di machine learning specifici senza integrare pienamente la ricerca automatizzata dell'architettura con l'intelligenza artificiale spiegabile (XAI). Inoltre, il campo soffre di una disponibilità limitata di dati, il che porta a sfide nella generalizzazione del modello e all'uso frequente di tecniche di aumento dei dati sintetici, che possono introdurre assunzioni neurofisiologiche non veritiere. Esiste una lacuna specifica nell'unire l'ottimizzazione di reti neurali convoluzionali (CNN) guidata da AutoML con l'interpretazione delle bande di frequenza guidata da XAI per creare un modello interpretabile ed efficiente dal punto di vista dei dati per la suscettibilità ipnotica.

Metodologia
Lo studio propone un framework che utilizza il dataset pubblico nplresearch/hypnotic-state, il quale contiene registrazioni EEG a 16 canali di soggetti categorizzati come aventi alta o bassa suscettibilità ipnotica.

1. Rappresentazione e Segmentazione dei Dati:

   • Pre-elaborazione: Ogni registrazione a 16 canali è stata filtrata in cinque bande di frequenza standard: Delta (1–4 Hz), Theta (4–8 Hz), Alpha (8–13 Hz), Beta (13–30 Hz) e Gamma (30–45 Hz).
   • Ricampionamento e Formattazione: I segnali sono stati ricampionati a 1.000 punti temporali per canale. I dati sono stati poi suddivisi in dieci "snippet" non sovrapposti per soggetto.
   • Matrice di Input: Ogni snippet è stato formattato come una matrice $5 \times 1600$. Le 5 righe rappresentano le bande di frequenza, e le 1.600 colonne preservano la struttura temporale ordinata (16 canali $\times$ 100 punti temporali per canale).
   • Espansione Non-Sintetica: A differenza di molti approcci di deep learning, questo metodo non genera dati sintetici né utilizza la ricombinazione tra diversi soggetti. Si basa esclusivamente su dati EEG osservati, aumentando la dimensione del campione attraverso la segmentazione e mantenendo l'integrità del segnale.

2. Strategia di Validazione:

   • Per prevenire la fuga di dati (data leakage), lo studio impiega una strategia di validazione incrociata K-fold raggruppata (grouped K-fold). Tutti i dieci snippet derivati da un singolo soggetto vengono mantenuti insieme all'interno del set di addestramento o di test per ogni fold. Ciò garantisce che il modello venga valutato su soggetti non visti, anziché su snippet non visti di soggetti già visti.

3. Ottimizzazione AutoML:

   • L'architettura CNN e gli iperparametri sono stati ottimizzati utilizzando Optuna. Lo spazio di ricerca include il numero di strati convoluzionali, il conteggio dei filtri, le dimensioni del kernel, la normalizzazione del batch (batch normalization), i tassi di dropout, le unità degli strati densi, i tassi di apprendimento (learning rate) e le dimensioni del batch.
   • La funzione obiettivo massimizza la media dell'accuratezza bilanciata della validazione attraverso i fold raggruppati.

4. IA Spiegabile (XAI) e Raffinamento del Modello:

   • Dopo l'addestramento della migliore CNN a banda completa, vengono applicati SHAP (SHapley Additive exPlanations) e LIME (Local Interpretable Model-agnostic Explanations) per identificare le bande di frequenza più rilevanti.
   • Sulla base di queste intuizioni XAI, vengono costruite e testate tre varianti del modello:
     1. Una CNN che utilizza solo le prime due bande di frequenza classificate dalla XAI.
     2. Una CNN a banda completa con pesi di riga derivati dai punteggi di importanza XAI.
     3. Una variante di "stress-test" in cui le prime due bande sono moltiplicate per un fattore di dieci.
   • Le predizioni a livello di soggetto vengono aggregate mediando le probabilità dei dieci snippet per ogni soggetto.

Risultati Chiave

• Architettura: La ricerca Optuna ha selezionato una CNN con quattro strati convoluzionali, batch normalization, un tasso di dropout di circa 0,19, uno strato denso di 256 unità, un learning rate di $5,53 \times 10^{-5}$ e una dimensione del batch di 2.
• Metriche di Performance:
  • Performance del Best-Fold: La CNN con pesatura delle righe XAI ha raggiunto un'accuratezza perfetta a livello di soggetto, accuratezza bilanciata, F1 score e AUC di 1,00 in un singolo best fold.
  • Performance Cross-Fold: Il modello XAI a due bande superiori (utilizzando solo le bande Alpha e Gamma) ha dimostrato la performance media più robusta attraverso tutti i fold, raggiungendo un'accuratezza media a livello di soggetto e un'accuratezza bilanciata di 0,667, e un AUC medio di 0,689.
• Importanza delle Bande di Frequenza: L'analisi combinata SHAP e LIME ha identificato le bande Alpha e Gamma come le due caratteristiche più critiche per la classificazione, seguite da Beta, Theta e Delta.
  • Le classifiche SHAP hanno evidenziato le caratteristiche della banda Gamma (specificamente intorno al canale P3) come dominanti.
  • LIME ha distribuito la rilevanza in modo più ampio, ma ha comunque confermato l'alta importanza di Alpha e Gamma.

Significato e Rivendicazioni
Il lavoro afferma che questa ricerca rappresenta la prima integrazione dell'ottimizzazione CNN basata su AutoML con la selezione e la pesatura delle bande di frequenza guidata da XAI specificamente per la classificazione della suscettibilità ipnotica.

• Interpretabilità: Lo studio va oltre il deep learning "black-box" utilizzando la XAI non solo per la spiegazione post-hoc, ma per guidare attivamente il raffinamento del modello (selezione della banda e pesatura).
• Efficienza dei Dati: Utilizzando una strategia di segmentazione conservativa e non sintetica con validazione raggruppata, gli autori dimostrano che è possibile sviluppare modelli di alta qualità senza fare affidamento su tecniche di aumento dei dati potenzialmente distorte.
• Fattibilità: I risultati suggeriscono che AutoML e XAI possono essere combinati efficacementamente per produrre un modello EEG interpretabile per l'ipnosi. L'identificazione di Alpha e Gamma come discriminatori chiave si allinea parzialmente alla letteratura esistente sulla profondità e suscettibilità ipnotica, offrendo una nuova prospettiva attraverso l'estrazione di caratteristiche del deep learning.

Limitazioni e Prospettive Future
Gli autori mantengono un tono modesto riguardo alla generalizzabilità dei loro risultati. Dichiarano esplicitamente che il risultato perfetto del best-fold (accuratezza 1,00) deve essere visto come un esito esplorativo promettente piuttosto che come una prova conclusiva di generalizzazione, dato il minor valore medio delle performance attraverso i fold. Il documento sottolinea la critica necessità di dataset di validazione più ampi e indipendenti per confermare questi risultati e riconosce che gli attuali risultati sono specifici per la pipeline e il dataset utilizzati.