Technische Samenvatting: Spectrale Priors versus Attention bij EEG-gebaseerde Diagnose

Probleemstelling

Elektro-encefalografie (EEG) tijdreekssignalen zijn van nature ruisgevoelig en hebben een grove ruimtelijke resolutie, wat de classificatie van neurodegeneratieve ziekten bemoeilijkt. Ondanks de prevalentie van state-of-the-art deep learning-architecturen, met name die welke attention-mechanismen gebruiken (zoals Transformers), blijft het onderscheid maken tussen gezonde controles en zieke proefpersonen – of tussen verschillende ziekte-types – uitdagend vanwege de hoge overeenkomst tussen groepen. De auteurs stellen dat deze modellen worstelen omdat ze de specifieke inductieve bias missen die nodig is om de overlappende oscillatoire componenten die inherent zijn aan neurofysiologische data te ontwarren. Waar Transformers uitstekend presteren in het modelleren van lange-afstandsafhankelijkheden in quasi-stationaire sequenties zoals tekst, kunnen ze falen in het vastleggen van globaal verspreide discriminatieve signalen in rust-EEG, waarbij biomerkers vaak oscillatoire vermogen en fase-koppeling zijn in plaats van discrete temporele gebeurtenissen.

Methodologie

Het artikel stelt een "spectraal selectieve" aanpak voor voor kenmerkconstructie, die wordt afgezet tegen end-to-end attention-gebaseerd leren op ruwe tijdreeksdata.

Kenmerkconstructie

De auteurs transformeren hoge-dimensionale ruwe EEG-data naar waardevolle spectrale kenmerken via een meerstapsproces:

1. Preprocessing: Signalen worden gedownsampled naar 256 Hz en bandpass-gefilterd (0,5–45 Hz).
2. Spectrale Extractie (Welch-FFT): Voor elk kanaal wordt de Power Spectral Density (PSD) geschat met de methode van Welch, gebruikmakend van een Hann-venster. De auteurs berekenen:
   • Relatieve Bandvermogens: Het absolute vermogen wordt geïntegreerd over vijf canonieke banden ($\delta, \theta, \alpha, \beta, \gamma$) en genormaliseerd ten opzichte van het totale vermogen.
   • Spectrale Samenvattende Statistieken: Gemiddelde frequentie, mediaan frequentie en spectrale entropie worden per kanaal berekend en vervolgens over de kanalen gemiddeld.
3. Tijd-Frequentie Decompositie (DWT): Om niet-stationaire componenten vast te leggen, wordt de Discrete Wavelet Transform (DWT) toegepast. Benaderings- en detailcoëfficiënten worden gemapt naar de canonieke EEG-banden om relatieve bandenergieën te berekenen.
4. Aggregatie: Kenmerken worden geaggregeerd over de kanalen om sessie-gerichte vectoren te vormen.

Experimentele Opzet

De studie evalueert twee benaderingen:

• Traditionele Classificatoren: Quadratische Discriminant Analyse (QDA) en Random Forest (RF), getraind op de ontworpen spectrale kenmerken.
• Attention-gebaseerde Architecturen: State-of-the-art modellen, waaronder Medformer, Reformer en EEG Conformer, getraind op ruwe tijdreeksdata.

De methodologie werd gevalideerd over vier open-source datasets:

• Rust-EEG: APAVA (Alzheimer), TDBrain (Parkinson) en ADFTD (Alzheimer, Dementie, Gezond).
• Taak-gebaseerd: ADHD-dataset (ADHD-patiënten versus Gezonde Controles).

De data werd gepartitioneerd volgens protocollen uit eerdere literatuur (bijv. Medformer) om een eerlijke vergelijking te waarborgen, met Z-score-normalisatie die strikt gebaseerd was op statistieken van de trainingsset.

Belangrijkste Bijdragen en Bevindingen

1. Prestatiepariteit en Superieure Spectrale Priors

De belangrijkste bevinding is dat traditionele machine learning-modellen die werken met spectrale kenmerken de prestaties van state-of-the-art attention-gebaseerde deep learning-modellen evenaren of overtreffen.

• QDA behaalde superieure prestaties op de ADFTD-, APAVA- en ADHD-datasets.
• Random Forest behaalde de beste resultaten op de TDBrain-dataset.
• In meerdere gevallen (APAVA en TDBrain) bereikten traditionele classificatoren een bijna perfecte of perfecte classificatie (100% nauwkeurigheid), terwijl Transformer-modellen lagere prestaties vertoonden.
• De auteurs betogen dat voor rust-EEG, waarbij biomerkers oscillatoir en stationair zijn, het behandelen van het signaal als een sequentie van discrete tokens de onderliggende continue fysica negeert.

2. Beperkingen van Attention-mechanismen

Het artikel levert empirisch bewijs dat attention-mechanismen falen in het distilleren van stabiele kenmerkhandtekeningen in EEG-data:

• Confusiematrix-analyse: In de ADFTD-dataset ving QDA perfect de laag-variatie toestand van gezonde controles op, terwijl de Conformer meer dan een derde van de gezonde proefpersonen verkeerd classificeerde, wat wijst op een onvermogen om basisneuraal activiteit te herkennen.
• KL-divergentie Diagnostiek: De auteurs berekenden de KL-divergentie tussen attention-kaarten van correcte en incorrecte voorspellingen. De resultaten toonden aan:
  • Uiterst lage divergentiewaarden, wat suggereert dat de voorspellende kracht niet voortkomt uit het attention-mechanisme.
  • Symmetrische divergentie ($KL(Correct||Incorrect) \approx KL(Incorrect||Correct)$), wat aangeeft dat de interne focus van het model invariant is ten opzichte van diagnostisch succes.
• Invoergevoeligheid: Toen de auteurs Medformer voorzagen van vooraf gedecomposeerde, frequentie-geïsoleerde signalen (waardoor het model niet meer de spectrale scheiding hoefde te leren), verbeterde de prestatie niet; in feite plateauerde deze of verslechterde. De auteurs hypothetiseren dat dit te wijten is aan "Attention Verdunning", waarbij de capaciteit van het model wordt opgeslokt door het modelleren van redundante temporele correlaties tussen sterk gecorreleerde gefilterde versies van hetzelfde signaal, in plaats van zich te richten op discriminatieve biomerkers.

Betekenis en Claims

Het artikel stelt dat voor huidige klinische dataschalen (typisch kleine steekproefgroottes, $N < 100$), geprincipeerde parsimonie via signaalverwerkingsinformatieve inductieve bias robuuster is dan domein-agnostische deep learning-modellen.

• Afwijzing van "Black Box"-complexiteit: De hoge representatieve capaciteit van Transformers vertaalt zich niet naar klinische bruikbaarheid voor neurofysiologische signalen, omdat EEG-biomerkers vaak globaal verspreid zijn in plaats van gelokaliseerd in discrete temporele gebeurtenissen.
• Fundamentele Beperking: De beperkingen van attention-gebaseerde modellen in het vinden van relevante spectrale kenmerken lijken fundamenteel te zijn. Het bieden van frequentie-selectieve tijd-domein inputs verbetert hun prestaties niet noemenswaardig, wat suggereert dat het self-attention-mechanisme lijdt aan een gebrek aan temporele salientie in quasi-stationaire signalen.
• Toekomstige Richting: De auteurs pleiten voor de integratie van natuurkundig geïnformeerde kernels en spectrale priors in toekomstige neuro-beeldvormingsarchitecturen, in plaats van uitsluitend te vertrouwen op datagedreven attention-mechanismen die subtiele, ziekterelateerde biomerkers kunnen verdunnen binnen een schaarse attention-ruimte.