Technische Samenvatting: Hoeveel capaciteit heeft EEG-ruisonderdrukking nodig?

Probleemstelling

Deep learning-architecturen voor EEG-ruisonderdrukking zijn opgeschaald van tienduizenden naar tientallen miljoenen parameters. Er blijven echter twee kritieke hiaten bestaan in het vakgebied:

1. Noodzaak van Capaciteit: Het is onduidelijk of standaard benchmarks daadwerkelijk zulke enorme modelcapaciteiten vereisen of dat prestatiewinsten worden gedreven door architecturale complexiteit in plaats van een noodzakelijk parametervolume.
2. Metriek-Utiliteitskloof: Standaard reconstructiemetrieken (bijv. correlatiecoëfficiënt, RMSE, SDR) meten de gelijkenis met een veronderstelde schone referentie, maar voorspellen niet noodzakelijkerwijs of het gedenoised signaal taakrelevante neurale kenmerken behoudt voor downstream Brain-Computer Interface (BCI)-toepassingen.

De huidige literatuur vergelijkt voorgestelde architecturen vaak met baselines zonder de modelcapaciteit als de primaire experimentele variabele te isoleren, wat het moeilijk maakt om winst uit architecturale mechanismen te onderscheiden van een eenvoudige toename in het parameterbudget.

Methodologie

De auteurs voerden een gecontroleerde studie uit waarbij kanaalcapaciteit als de enige experimentele variabele werd geïsoleerd, terwijl architectuur, verliesfuncties, data-splits en trainingsrecepten constant werden gehouden.

• Architectuur: Er werd een minimale, depthwise-separable convolutionele U-Net backbone ontworomin. Deze bevat één enkele clean-output head, efficiënte kanaal-attentie (ECA) en geen hulp-branches.
• Capaciteitssweep: De basiskanaalbreedte ($C$) werd gesweept van 2 tot 16, wat resulteerde in modellen met 1,05K tot 40,26K trainbare parameters.
• Datasets & Benchmarks:
  • EEGDenoiseNet: De standaard semi-synthetische benchmark voor single-channel ruisonderdrukking (EOG- en EMG-artefacten).
  • Mixed-1M Corpus: Een grotere, complexere corpus (1M segmenten) met multi-artefact mengsels (EOG+EMG+Lijnruis+ECG) en moeilijkere Signaal-Ruisverhoudingen (SNR) distributies.
  • BCI Zero-Shot Transfer: Evaluatie op BCI Competition IV-2a en IV-2b opnames zonder fine-tuning om generalisatie te testen.
  • Gecontroleerde Baselines: Gevestigde modellen (EEGDN CNN, MicroWaveNet, Patch-Transformer) werden onder exact hetzelfde traject opnieuw getraind om een eerlijke vergelijking te garanderen.
• Downstream Evaluatie: Gedenoised signalen werden ingevoerd in vijf decoder-families (CSP+LDA, ShallowFBCSPNet, EEGNet, Deep4Net, EEGConformer) voor motor-imagery classificatie op BCI IV-2a. Dit testte of reconstructiefidelity vertaalt naar taakutiliteit.
• Compute Profiling: Modellen werden geprofileerd voor FLOPs, geheugenvoetafdruk en latentie op CPU/GPU.

Belangrijkste Bijdragen

1. Capaciteitsverzadigingsanalyse: Een gecontroleerde breedtesweep die aantoont dat de reconstructieprestaties op standaard en complexe benchmarks verzadigen bij extreem lage parameteraantallen (3–6,5K parameters).
2. Ontdekking van de Metriek-Utiliteitskloof: Bewijs dat op reconstructie geoptimaliseerde ruisonderdrukking de downstream motor-imagery classificatie (specifiek voor lineaire ruimtelijke filter-pipelines zoals CSP+LDA) aanzienlijk verslechtert, ondanks het verbeteren van de reconstructiemetrieken.
3. Inzetbare Operationele Punten: Identificatie van ultra-compacte modellen (Base4–Base6) die 33–46 KB innemen en 1,27–2,61M FLOPs per segment vereisen, wat een bijna optimale reconstructie biedt met minimale computationele kosten.

Belangrijkste Resultaten

1. Reconstructieprestaties verzadigen vroegtijdig

• EEGDenoiseNet: De meeste reconstructiewinsten vonden plaats onder de 10K parameters. Het "elleboogpunt" werd geïdentificeerd bij Base4 (3,22K parameters). Daarboven waren de winsten marginaal (bijv. Base16 met 40,26K parameters verbeterde de Correlatiecoëfficiënt met slechts ~0,008 ten opzichte van Base8).
• Mixed-1M & Zero-Shot: Het verzadigingspatroon hield stand op de grotere, complexere Mixed-1M corpus en in zero-shot BCI transfer tests. In sommige zero-shot gevallen (BCI IV-2b) verminderde het verhogen van de capaciteit voorbij het verzadigingspunt zelfs de transferprestaties.
• Baseline Vergelijking: Een 8,46M parameter EEGDN CNN, opnieuw getraind onder hetzelfde traject, kwam qua prestaties overeen met de 40,26K parameter compacte variant op EOG, maar slaagde er niet in deze te overtreffen op EMG. Een 200x groter parameterverschil leverde geen reconstructievoordeel op.

2. De Classifier-Afhankelijke Metriek–Utiliteitskloof

• CSP+LDA Degradatie: Ruisonderdrukking verslechterde de CSP+LDA classificatienauwkeurigheid aanzienlijk over alle negen subjecten en drie artefacttypen. De beste gedenoised conditie (Base16) bereikte een nauwkeurigheid van 0,547 tegenover een noisy baseline van 0,612 (Bonferroni gecorrigeerd $p = 0,0488$).
• Generaliseerbaarheid: Deze degradatie hield stand op natuurlijk opgenomen trials zonder synthetische artefact-injectie ($\Delta = -0,047$, $q = 0,0049$).
• Classifier Variantie: De kloof is classifier-afhankelijk. Terwijl lineaire ruimtelijke filters (CSP+LDA, ShallowFBCSPNet) significante prestatiedalingen vertoonden, lieten end-to-end neurale decoders (EEGNet, Deep4Net, EEGConformer) variabele of neutrale effecten zien, wat suggereert dat zij de veranderde signaaldistributie gedeeltelijk kunnen aanpassen.
• Mechanisme: Kwalitatieve analyse suggereert dat de kloof voortkomt uit amplitude-onderdrukking. Modellen die getraind zijn om de reconstructiefout te minimaliseren, hebben de neiging om hoog-amplitude structuren in "stille" intervallen te onderdrukken, waardoor ze onbedoeld taakrelevante neurale kenmerken verwijderen waar classifiers op vertrouwen.

3. Deployment Efficiëntie

• Base4 (3,22K params) en Base6 (6,53K params) nemen 33–46 KB in op disk en vereisen 1,27–2,61M FLOPs per 512-sample segment.
• Deze modellen vertegenwoordigen praktische operationele punten voor edge EEG-implementatie, waarbij ze het merendeel van de reconstructieprestaties bieden met een fractie van de rekenkracht en het geheugen van miljoenen-parameter modellen.

Betekenis en Claims

Het paper betoogt dat standaard EEG-denoising benchmarks ver veel eerder verzadigen dan de capaciteit van de huidige modellen. De belangrijkste bevindingen dagen de heersende trend uit om de modelgrootte voor denoising-taken op te schalen:

1. Benchmark Verzadiging: Huidige benchmarks vereisen geen miljoenen parameters; compacte temporele modellen (3–6,5K parameters) zijn voldoende om het prestatieplafond te bereiken.
2. Beperkingen van Metrieken: Reconstructiemetrieken (CC, RMSE, SDR) zijn niet voldoende om de utiliteit van een denoiser voor BCI-toepassingen te beoordelen. Hoge reconstructiefidelity kan correleren met het verlies van downstream taakprestaties.
3. Praktische Aanbeveling: Voor edge deployment worden ultra-compacte modellen (Base4–Base6) aanbevolen.
4. Toekomstige Richtingen: De auteurs pleiten voor:
   • Capaciteit-gecontroleerde evaluatie in toekomstige studies.
   • Hardere benchmarks die taakbewuste endpoints bevatten (bijv. motor-imagery decoding) in plaats van alleen zuivere referentiereconstructie.
   • Verplichte downstream validatie waarbij denoising-papers de bijbehorende classifier-nauwkeurigheid rapporteren naast reconstructiemetrieken om classifier-afhankelijke utiliteitskloven te detecteren.

De studie concludeert dat hoewel reconstructiefidelity noodzakelijk is, deze moet worden geëvalueerd in de context van de downstream utiliteit van het neurale signaal om te voorkomen dat BCI-prestaties worden aangetast.