EEG-Conformer for EEG Decoding: A Participant-Wise Evaluation and Ablation Study Across Three Datasets

Il cervello umano è un motore di attività elettrica costante e ronzante, che emette minuscoli segnali attraverso una vasta rete di neuroni. Per ascoltare questa conversazione senza aprire il cranio, gli scienziati utilizzano un metodo chiamato elettroencefalografia, o EEG. Posizionano una cuffia di sensori sul cuoio capelluto per catturare queste deboli increspature elettriche. L'obiettivo è decodificare ciò che il cervello sta pensando o facendo semplicemente leggendo questi schemi, un campo noto come interfaccia cervello-computer. Per anni, i ricercatori si sono affidati a programmi informatici standard, spesso basati su reti neurali convoluzionali, per tradurre questi segnali disordinati in comandi. Questi programmi sono bravi a individuare schemi locali, come un ritmo specifico che appare in un punto particolare della testa. Tuttavia, il cervello è anche un luogo di connessioni a lunga distanza, dove l'attività in un'area può influenzare un'altra molto lontana. Per catturare questo, è stato introdotto un nuovo tipo di modello informatico chiamato Transformer. È progettato per guardare l'intero quadro contemporaneamente, collegando segnali distanti per comprendere il contesto più ampio. La grande domanda per gli scienziati è se l'aggiunta di questo pensiero complesso a lungo raggio al più semplice accoppiamento di schemi locali aiuti effettivamente, o se aggiunga solo un peso inutile al sistema.

Un team di ricercatori della Konyang University si è posto l'obiettivo di rispondere a questa domanda con un'indagine attenta e a livello base. Non hanno inventato una nuova macchina; invece, hanno preso un modello esistente chiamato EEG-Conformer, che combina l'accoppiamento di schemi locali con il pensiero a lungo raggio, e lo hanno sottoposto a un rigoroso test di resistenza. Volevano vedere se la complessità aggiuntiva migliorasse davvero la capacità di leggere il cervello, o se i metodi più semplici e vecchi fossero altrettanto validi. Hanno anche testato se l'aggiunta di dati da un piccolo sensore di movimento, un accelerometro, aiutasse il computer a comprendere meglio il cervello, o se quella informazione extra fosse solo rumore. Per farlo, hanno raccolto un nuovo set di registrazioni da 48 volontari sani. Ogni persona indossava una cuffia con diciannove sensori sul cuoio capelluto e tre sensori di movimento sul corpo. I volontari hanno eseguito tre compiti semplici: stare seduti con gli occhi aperti, stare seduti con gli occhi chiusi e tenere le braccia alzate in aria per un periodo prolungato. I ricercatori hanno registrato queste onde cerebrali a una velocità molto elevata, catturando 500 istantanee di attività elettrica ogni secondo.

I ricercatori hanno poi inserito questi dati nei modelli informatici per vedere quanto bene potessero indovinare quale compito stesse svolgendo la persona. In un singolo test una tantum, il modello complesso con il pensiero a lungo raggio ha performato leggermente meglio dei modelli più vecchi e semplici, raggiungendo un'accuratezza di circa il 67 percento. Sembrava una piccola vittoria per la nuova tecnologia. Tuttavia, i ricercatori sapevano che un singolo test può essere fuorviante, proprio come giudicare l'abilità di un giocatore basandosi su una sola partita. Per conoscere la vera storia, hanno ripetuto l'esperimento molte volte, rimescolando i partecipanti in diversi gruppi e avviando il processo di apprendimento del computer con diverse impostazioni casuali. Quando lo hanno fatto, il quadro è cambiato. Il piccolo vantaggio che il modello complesso mostrava nel primo test è svanito o è diventato molto piccolo. Infatti, quando hanno esaminato i dati attraverso molteplici raggruppamenti, il modello complesso era solo lo 0,7 percento più accurato del modello più semplice, una differenza così minima da essere quasi impercettibile rispetto alla naturale variazione tra i cervelli delle diverse persone.

Lo studio ha anche esaminato il ruolo dei sensori di movimento. Nel primo test singolo, rimuovere i sensori di movimento ha sorprendentemente fatto performare meglio il computer, suggerendo che i dati del movimento stessero confondendo il sistema. Ma quando i ricercatori hanno eseguito i test ripetuti, il risultato si è invertito. Rimuovere i sensori di movimento ha reso il computer leggermente meno efficace, facendo scendere l'accuratezza di circa l'1,2 percento. Questo ribaltamento ha dimostrato che il primo risultato era un colpo di fortuna causato da come i dati erano stati suddivisi in quel momento specifico. I sensori di movimento contenevano informazioni utili sul movimento, ma il beneficio era piccolo e appariva solo quando il test veniva eseguito molte volte per mediare la fortuna. I ricercatori hanno anche testato se l'alta velocità della loro registrazione, 500 istantanee al secondo, fosse necessaria. Hanno rallentato i dati a 125 istantanee al secondo e hanno scoperto che la capacità del computer di leggere il cervello non diminuiva significativamente. Ciò suggerisce che i segnali elettrici del cervello per questi compiti non richiedono di essere catturati a una velocità così alta per essere compresi, e che i dettagli fini della registrazione veloce non erano la chiave del successo.

Forse la parte più rivelatrice dello studio è stata come il computer gestiva i diversi compiti. Il modello era eccellente nel distinguere tra occhi aperti e occhi chiusi, identificando correttamente lo stato circa il 91 percento delle volte. Questo perché chiudere gli occhi crea un ritmo forte e ben noto nella parte posteriore del cervello che è facile da individuare. Tuttavia, il modello faticava a distinguere tra lo stato a occhi aperti e il compito di tenere le braccia alzate. Confondeva questi due stati circa il 40 percento delle volte. I ricercatori si sono resi conto che tenere le braccia alzate comporta movimenti muscolari, che creano un rumore elettrico molto simile all'attività cerebrale di stare seduti a occhi aperti. Poiché lo studio non ha registrato separatamente i segnali muscolari o utilizzato metodi speciali per rimuovere il rumore muscolare, il computer stava probabilmente captando il movimento dei muscoli di braccia e spalle piuttosto che i segnali cerebrali specifici per il compito. Ciò significa che il computer non stava veramente "leggendo la mente" del movimento del braccio, ma stava reagendo al movimento fisico.

Lo studio è concluso che l'entusiasmo attorno all'aggiunta di un pensiero complesso a lungo raggio ai computer che leggono il cervello potrebbe essere sopravvalutato per questi compiti specifici. I modelli più semplici e vecchi hanno performato quasi quanto quelli complessi, e i componenti extra hanno offerto solo un piccolo e inconsistente incremento che dipendeva fortemente da come i dati venivano testati. I ricercatori hanno sottolineato che il modo in cui si suddividono i dati conta immensamente. Se si testa il computer fornendogli alcune prove di una persona per imparare e altre prove della stessa persona per indovinare, il computer sembra molto più intelligente perché ha già visto i pattern cerebrali di quella persona. Ma quando lo si testa su persone completamente nuove che non ha mai visto, la prestazione cala e le differenze tra i modelli si riducono. Questo studio serve da promemoria che, nella ricerca di decodificare il cervello umano, gli strumenti più avanzati non sono sempre i migliori, e che un test attento e ripetuto è l'unico modo per capire se una nuova idea sia una vera svolta o solo un colpo di fortuna.