SPDIM: Source-Free Unsupervised Conditional and Label Shift Adaptation in EEG

Dit paper introduceert SPDIM, een parameter-efficiënte geometrische deep learning-methode die bronvrije onbeheerde domeinadaptatie voor EEG-data mogelijk maakt door labelverschuivingen te compenseren via optimalisatie op een SPD-maand, waardoor de generalisatie van neurotechnologieën zoals slaapstadiëring aanzienlijk verbetert.

De kern

Titel: Hoe je een hersencomputer laat leren zonder nieuwe trainingssessies (SPDIM)

Stel je voor dat je een zeer slimme robot hebt die kan lezen wat er in je hoofd gebeurt door middel van een hoofdband met elektroden (EEG). Deze robot is getraind om jouw gedachten te vertalen naar commando's, zoals "beweeg de arm" of "slapen". Maar er is een groot probleem: jouw hersenen veranderen elke dag.

Soms ben je moe, soms heb je koffie gedronken, soms is de elektrode ietsje verschoven. Voor de robot voelt dit alsof jij een totaal andere persoon bent geworden. De signalen zijn anders, en de robot raakt in de war. In de wetenschap noemen we dit een "distributieverschuiving".

De meeste robots moeten daarom elke dag opnieuw getraind worden met een kalibratiesessie (waarbij jij specifieke gedachten moet denken terwijl de robot kijkt). Dat is vervelend en tijdrovend. De onderzoekers van dit paper wilden een robot bouwen die zonder nieuwe training kan omgaan met deze veranderingen, zelfs als de verhouding tussen de gedachten verandert (bijvoorbeeld: je denkt vaker aan "slapen" dan aan "waken").

Hier is hoe hun oplossing, SPDIM, werkt, uitgelegd met simpele metaforen:

1. Het Probleem: De "Vervormde Spiegel"

Stel je voor dat je in een spiegel kijkt. Normaal gesproken zie je jezelf zoals je bent. Maar soms is de spiegel een beetje krom (dat is de dagelijkse variatie in je hersensignalen).

• De oude methode: De robot probeerde de kromme spiegel te "rechttrekken" door alles strakker te maken. Dit werkte goed als je alleen je houding veranderde.
• Het nieuwe probleem: Soms verandert niet alleen je houding, maar ook wat je doet. Stel, je staat normaal 50% te slapen en 50% wakker. Maar op een dag sta je 90% te slapen en 10% wakker. De oude robot probeerde de spiegel nog steeds "rechttrekken" alsof de verhoudingen gelijk waren. Het resultaat? De robot werd er nog slimmer van, en vertaalde je slaapgedachten verkeerd. Het was alsof je probeerde een foto te corrigeren terwijl je de onderwerpen zelf verplaatst.

2. De Oplossing: Een Slimme "Stuurknop" (SPDIM)

De onderzoekers (Li, Kawanabe en Kobler) bedachten een nieuwe methode genaamd SPDIM.

In plaats van de hele robot opnieuw te bouwen of de hele spiegel te vervormen, voegen ze een enkele, slimme stuurknop toe voor elke nieuwe dag of elke nieuwe persoon.

• De Wiskundige Magie (Riemanniaanse Meetkunde):
  De hersensignalen worden niet gezien als gewone lijnen, maar als complexe vormen (zoals ballen of eieren) in een speciaal land dat "Riemanniaanse meetkunde" heet. De oude methoden probeerden deze vormen naar één centraal punt te duwen.
  SPDIM zegt: "Wacht even, als er meer 'slaap'-signalen zijn dan 'wakker'-signalen, duw dan niet alles naar het midden. Draai de stuurknop een beetje in de richting van de 'slaap'."

• De "Informatie-Maximalisatie" (De Gokker):
  Hoe weet de robot welke kant hij moet draaien als hij geen antwoorden heeft (geen labels)? Hij gebruikt een slimme goktechniek.
  Stel je voor dat je een doos met gekleurde ballen hebt, maar je weet niet welke kleur er veel in zit. De robot probeert een instelling zo aan te passen dat hij zeker wordt over zijn voorspellingen. Als hij denkt: "Ik ben 99% zeker dat dit slaap is", dan is dat goed. Als hij twijfelt ("50% slaap, 50% wakker"), dan is dat slecht.
  SPDIM draait de stuurknop totdat de robot weer zelfverzekerd is, zonder de verhoudingen van de ballen te verstoren.

3. Wat hebben ze bewezen?

De onderzoekers hebben dit getest op twee manieren:

1. Simulaties: Ze maakten een virtuele wereld waar ze de signalen en de verhoudingen kunstmatig veranderden. SPDIM bleek veel beter te werken dan de oude methoden, vooral als de verhoudingen (bijv. meer slaap dan wakker) erg scheef waren.
2. Echte Data: Ze testten het op echte EEG-data van mensen die motorische taken uitvoerden (gedachten over bewegen) en mensen die sliepen.
   • Bij slaapstudies (waar mensen van nature veel meer in de diepe slaap zitten dan in de lichte slaap) was SPDIM een enorme verbetering. Het kon beter inschatten welke fase van de slaap iemand had, zelfs zonder dat de robot wist hoeveel mensen er precies sliepen.

Conclusie in één zin

SPDIM is als een slimme navigatie-app die niet alleen de weg herkent, maar ook automatisch weet dat je vandaag een andere route neemt (meer slapen, minder bewegen) en zijn instellingen daarop aanpast, zodat je toch op je bestemming aankomt zonder dat je zelf de kaart hoeft te herschrijven.

Dit betekent dat toekomstige hersencomputers en slaap-apparaten veel betrouwbaarder en gebruiksvriendelijker worden, zonder dat je elke dag urenlang hoeft te kalibreren.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "SPDIM: Source-Free Unsupervised Conditional and Label Shift Adaptation in EEG", geschreven in het Nederlands.

Probleemstelling

Elektro-encefalografie (EEG) is een krachtige techniek voor het meten van hersenactiviteit, maar het is inherent niet-stationair. Dit betekent dat de verdeling van de data verschilt tussen verschillende sessies (dagen) en onderwerpen. Deze distributieverplaatsingen (distribution shifts) vormen een grote uitdaging voor de generalisatie van EEG-gebaseerde neurotechnologie, zoals Brain-Computer Interfaces (BCI).

Traditionele oplossingen vereisen gelabelde kalibratiegegevens voor de doelgroep (target domain), wat de schaalbaarheid beperkt. Een alternatief is Domain Adaptation (DA). Specifiek richt dit paper zich op Source-Free Unsupervised Domain Adaptation (SFUDA), waarbij het model wordt getraind op gelabelde brondata (source) en moet generaliseren naar ongelabelde doeldata zonder toegang tot de brondata tijdens de adaptatie.

De kernuitdaging die in dit paper wordt aangepakt, is het bestaan van twee soorten verschuivingen in praktische scenario's (zoals slaapstadiëring):

1. Conditionele verplaatsing (Conditional Shift): De relatie tussen de EEG-signalen en de labels verandert (bijv. door verschillende elektrodeplaatsingen of hersenactiviteit).
2. Label-shift (Label Shift): De verdeling van de klassen (priors) verschilt tussen bron en doel (bijv. meer "slaap" dan "waken" in de doelgroep).

Bestaande state-of-the-art methoden, gebaseerd op Riemanniaanse meetkunde op het manifold van Symmetrisch Positief Definitieve (SPD) matrices, zijn effectief voor conditionele verschuivingen maar falen vaak bij label-shifts. Ze kunnen zelfs de generalisatieprestaties verslechteren door overcorrectie.

Methodologie: Het SPDIM Framework

De auteurs stellen SPDIM (SPD Manifold Information Maximization) voor, een geometrisch deep learning framework dat specifiek is ontworpen om zowel conditionele als label-shifts te compenseren.

1. Generatief Model

De auteurs introduceren een realistisch generatief model voor EEG-data:

• EEG-signalen worden gemodelleerd als een lineaire mix van latente bronnen ($z$) via een domeinspecifiek voorwaarts model ($A_j$).
• De covariantiematrices van deze bronnen ($E_i$) hebben een log-lineaire relatie met de labels ($y$).
• Het model neemt aan dat de Fréchet-middelpunten van de covariantiematrices over de domeinen convergeren naar de eenheidsmatrix als er geen label-shift is.

2. Analyse van Bestaande Methoden (RCT+TSM)

De paper toont theoretisch aan dat bestaande methoden zoals RCT+TSM (Recentering + Tangent Space Mapping):

• Effectief zijn voor het compenseren van conditionele verschuivingen (door de rotatie en schaling van de voorwaartse modellen te neutraliseren).
• Schadelijk zijn bij label-shifts. Door de Fréchet-middelpunten van verschillende domeinen te aligneren, wordt de informatie over de class-priors (de verdeling van de labels) onbedoeld verwijderd of vervormd, wat leidt tot overcorrectie.

3. De SPDIM Oplossing

SPDIM lost dit op door een domeinspecifieke bias-parameter te leren op het SPD-manifold, gebaseerd op het principe van Informatie-Maximalisatie (Information Maximization - IM).

• Stap 1: Latente Alignement: Eerst wordt de marginale verdeling van de bron- en doeldata gealigneerd (vergelijkbaar met RCT+TSM) om conditionele verschuivingen te corrigeren.
• Stap 2: Informatie-Maximalisatie: Vervolgens wordt een domeinspecifieke parameter $\Phi_j$ (of een geodesische stapgrootte $\phi_j$) geoptimaliseerd voor de doeldata.
  • Dit wordt gedaan door de IM-loss te minimaliseren, die bestaat uit twee componenten:
    1. Minimale Conditionele Entropie ($L_{CEM}$): Zorgt ervoor dat de voorspellingen voor individuele samples zeker zijn (de model is zelfverzekerd).
    2. Maximale Marginale Entropie ($L_{MEM}$): Zorgt ervoor dat de voorspellingen over de hele dataset divers zijn (de model gebruikt alle klassen in verhouding tot de werkelijke verdeling).
• Door deze loss te minimaliseren, leert het model de juiste bias om de door de label-shift veroorzaakte overcorrectie van de eerste stap te compenseren, zonder toegang tot de echte labels van de doelgroep.

Belangrijkste Bijdragen

1. Theoretische Analyse: Het paper biedt een theoretisch bewijs dat Riemanniaanse statistische alignementmethoden (zoals RCT+TSM) generalisatieproblemen veroorzaken onder label-shifts, in tegenstelling tot wat eerder werd aangenomen.
2. Nieuw Generatief Model: Een realistisch model dat zowel lineaire mixingen als log-lineaire relaties tussen covariantie en labels omvat, inclusief label-shifts.
3. SPDIM Framework: Een parameter-efficiënte strategie die een enkel, op het manifold beperkt parameter per doel-domein leert via informatie-maximalisatie.
4. Uitgebreide Validatie: Experimenten op zowel gesimuleerde data als publieke EEG-datasets voor motorische imagery en slaapstadiëring.

Resultaten

De auteurs hebben hun methode getest op twee hoofdscenario's:

1. Simulaties:

   • SPDIM presteerde consistent beter dan RCT (Recentering) over een breed scala aan label-ratio's (van gebalanceerd tot sterk onbalans).
   • Het bevestigde dat RCT faalt bij label-shifts, terwijl SPDIM de prestaties stabiel houdt.

2. EEG Motorische Imagery (BCI):

   • Gebruikmakend van datasets zoals BNCI2014001 en BNCI2015001.
   • SPDIM (zowel de 'bias' als 'geodesic' variant) presteerde significant beter dan bestaande SFUDA-methoden (zoals SPDDSBN, EA, STMA) en methoden zonder adaptatie, vooral in cross-subject scenario's met kunstmatig geïntroduceerde label-shifts.

3. EEG Slaapstadiëring:

   • Gebruikmakend van datasets zoals CAP, Dreem, HMC en ISRUC, die inherent label-shifts vertonen.
   • SPDIM(bias) behaalde de hoogste scores (balanced accuracy) in bijna alle groepen (patiënten en gezonde personen).
   • In de patiëntengroep was de verbetering ten opzichte van de state-of-the-art (SPDDSBN) ongeveer 5%, wat aanzienlijk is voor klinische toepassingen.
   • Ablatiestudies toonden aan dat de combinatie van Informatie-Maximalisatie en de manifold-constrained biasparameter cruciaal is; het verwijderen van een van beide componenten leidde tot een significante prestatiedaling.

Betekenis en Conclusie

Dit paper is een belangrijke stap voorwaarts in het veld van EEG-decoding en BCI. Het identificeert een kritieke beperking in bestaande Riemanniaanse methoden: hun gevoeligheid voor label-shifts, een veelvoorkomend fenomeen in de echte wereld (bijv. verschillende slaappatronen bij patiënten vs. gezonde controles).

Door SPDIM te introduceren, bieden de auteurs een oplossing die:

• Geen toegang vereist tot de brondata tijdens de adaptatie (Source-Free).
• Geen gelabelde data vereist voor de doelgroep (Unsupervised).
• Robuust is tegen zowel conditionele als label-shifts.

De resultaten suggereren dat SPDIM de haalbaarheid van "plug-and-play" neurotechnologie vergroot, waarbij systemen direct kunnen worden ingezet bij nieuwe gebruikers of in nieuwe klinische settingen zonder uitgebreide kalibratie, wat essentieel is voor de bredere adoptie van BCI en slaapdiagnostiek.