Cross-Subject Intracranial EEG Reconstruction from Scalp Recordings Using Multi-Scale Cross-Attention Transformers

Technische Samenvatting: Reconstructie van Intracraniële EEG over Onderwerpen Vandaan Scalp-Opnames met Multi-Schaal Cross-Attention Transformers

Probleemstelling
Intracraniële EEG (iEEG) biedt hoogwaardige neurale opnames met millimeter ruimtelijke resolutie en milliseconde temporele precisie, wat essentieel is voor klinisch epilepsie-monitoring en toepassingen van brain-computer interfaces (BCI). Het verkrijgen van iEEG vereist echter invasieve neurochirurgie, wat het gebruik beperkt tot specifieke klinische populaties en het bestuderen van hersengebieden beperkt tot die welke zijn geselecteerd voor implantatie. Hoewel recente inspanningen hebben geprobeerd iEEG te schatten vanuit niet-invasieve scalp-EEG, vertrouwen bestaande methoden voornamelijk op patiëntspecifieke (binnen-onderwerp) training. Dit creëert een circulaire afhankelijkheid: als een patiënt invasieve chirurgie nodig heeft om de trainingsdata te genereren die noodzakelijk zijn voor een niet-invasief model, biedt de niet-invasieve aanpak weinig praktisch voordeel ten opzichte van directe opname. Bovendien richten bestaande benaderingen over onderwerpen heen zich vaak op classificatietaken in plaats van reconstructie op golfvormniveau, of vereisen ze individuele structurele MRI-data om rekening te houden met anatomische variabiliteit.

Methodologie: Het CAST-kader
De auteurs stellen CAST (Cross-Attention Spatial-Temporal Transformer) voor, een machine learning-kader dat is ontworpen om scalp-EEG te vertalen naar multi-kanaals iEEG-golfvormen voor nieuwe, ongezette onderwerpen, gebruikmakend van een tweestaps transfer learning-aanpak.

1. Architectuur:

   • Multi-Schaal Encoder: Het model verwerkt invoer-scap-EEG-signalen door ze te snijden in niet-overlappende patches op drie verschillende tijdschalen (8, 16 en 32 samples). Deze patches worden via MLP's geprojecteerd naar een latente ruimte ($d_{model}=128$) en gecombineerd met schaal-specifieke en positionele embeddings. Een 4-laags Transformer-encoder met multi-head self-attention verwerkt deze samengevoegde tokens om brede neurale representaties te vangen over hoogfrequente transiënten en langzamere oscillaties.
   • Kanaal-bewuste Decoder: Om de variabiliteit in elektrodeplaatsing en -aantal tussen patiënten aan te pakken, maakt de decoder gebruik van een cross-attention-mechanisme met gedeelde temporele query-tokens ($M=25$) en leerbare per-kanaal embeddings. Dit stelt het model in staat om specifieke doel-iEEG-kanaalen onafhankelijk te reconstrueren op basis van de gecodeerde scalp-kenmerken.

2. Trainingsprotocol (Leave-One-Subject-Out):

   • Universele Encoder Pre-training: Om catastrofaal vergeten en overfitting op specifieke anatomieën te voorkomen, wordt de encoder sequentieel vooraf getraind op data van alle onderwerpen behalve het testonderwerp.
   • Decoder Kalibratie: Met de erkenning dat hardware-opstellingen variëren, wordt de decoder behandeld als een gepersonaliseerd projectie-instrument. Voor een nieuwe patiënt wordt de decoder geïnitieerd en fijn afgestemd tijdens een korte kalibratiefase (20% van de data van de patiënt, ongeveer 2–12 minuten).
   • Kanaalselectiestrategie: De auteurs introduceren een datagedreven strategie om "observeerbare" kanalen te identificeren. Kanalen die tijdens een warm-upfase op kalibratiedata een Pearson-correlatie $r \ge 0,15$ bereiken, worden geselecteerd voor de definitieve reconstructie, waarbij kanalen worden gefilterd waarvan het signaal te sterk is verzwakt om te worden hersteld.

3. Verliesfunctie: Het model wordt geoptimaliseerd met een samengestelde verliesfunctie die amplitude-accuraatheid (MSE), golfvormvorm (Pearson-correlatieboete) en frequentie-inhoud (Spectrale verlies) in evenwicht brengt.

Datasets en Evaluatie
De studie werd geëvalueerd op twee onafhankelijke openbare datasets:

• GIN Cohort: 9 patiënten met farmacoresistente focale epilepsie die een taak voor verbale werkgeheugen uitvoerden (17–21 scalp-kanalen, 32–64 iEEG-contacten).
• OpenNeuro ds004752: 14 patiënten (oorspronkelijk 15) die een visuele categorisatietak uitvoerden (6–21 scalp-kanalen, 32–80 iEEG-contacten).
  De evaluatie gebruikte een Leave-One-Subject-Out (LOSO) cross-validatiestrategie over in totaal 1.282 iEEG-kanalen.

Belangrijkste Resultaten

• Generalisatie over Onderwerpen: CAST slaagde erin corticale iEEG-signalen te reconstrueren voor nieuwe onderwerpen zonder uitgebreide patiëntspecifieke training. In sterk observeerbare sensorimotorische regio's bereikte het model piekcorrelaties van $r = 0,864$ in de precentrale gyrus en $r = 0,732$ in de postcentrale gyrus.
• Validatie van Dieptegradient: De studie bevestigde een statistisch significante dieptegradient ($p = 0,014$ via Lineaire Gemengde Effecten-modellen). Corticale contacten ($N=313$, gemiddelde $r = 0,221$) werden met significant hogere fideliteit gereconstrueerd dan diepe subcorticale structuren ($N=507$, gemiddelde $r = 0,182$), zoals de hippocampus ($r=0,197$) en amygdala ($r=0,233$). Dit komt overeen met de theorie van volumetrische geleiding, waarbij signalen uit diepe structuren aanzienlijk verzwakken voordat ze het scalp bereiken.
• Prestaties op Levensvatbare Onderwerpen: Door de kanaalselectiestrategie toe te passen, bereikte het model een gemiddelde correlatie van $r = 0,545$ ($R^2 = 0,333$) op "levensvatbare" onderwerpen (diegenen met voldoende observeerbare kanalen) in de ds004752-dataset, waarmee het eerdere binnen-onderwerp-baselines en andere methoden over onderwerpen heen die ofwel MRI vereisen of zich richten op classificatie, overtrof.
• Ablatiestudies: De multi-schaal temporele modellering en de opname van de Pearson-correlatieboete in de verliesfunctie werden geïdentificeerd als kritieke componenten voor het maximaliseren van de golfvormfideliteit.

Betekenis en Beweringen
Het artikel beweert dat CAST de haalbaarheid aantoont van het reconstrueren van corticale iEEG-signalen vanuit scalp-EEG voor nieuwe onderwerpen zonder de noodzaak van uitgebreide patiëntspecifieke trainingsdata of individuele structurele MRI-scan. De auteurs betogen dat:

1. Doorbreken van de Circulaire Afhankelijkheid: Door een universele encoder en een korte kalibratiefase te gebruiken, biedt het model een praktisch alternatief voor invasieve datacollectie voor schatting van corticale signalen.
2. Fysiologische Consistentie: De waargenomen dieptegradient dient als onafhankelijke fysiologische validatie, wat suggereert dat het model echte neurale signaalrelaties leert die worden geregeerd door de fysica van volumetrische geleiding in plaats van schijnbare correlaties.
3. Klinische en BCI-Utiliteit: Het vermogen om signalen nauwkeurig te reconstrueren in sensorimotorische regio's (waar correlaties 0,7 overschreden) suggereert potentiële toepassingen in niet-invasieve BCI's en als screeningsinstrument om elektrodeplaatsing te begeleiden bij het plannen van epilepsiechirurgie.

De auteurs blijven bescheiden ten aanzien van diepe hersenstructuren, erkennend dat de reconstructie-accuraatheid voor diepe regio's (bijvoorbeeld de hippocampus) beperkt blijft door fundamentele fysieke beperkingen van signaalverzwakking, en merken op dat zelfs geavanceerde binnen-onderwerp-modellen met MRI-data moeite hebben om hoge correlaties in deze gebieden te bereiken. Ze concluderen dat hoewel een korte kalibratiefase noodzakelijk is om zich aan te passen aan nieuwe hardware, de aanpak een belangrijke stap voorwaarts betekent naar hardware-onafhankelijke neurale vertaling.