PHINN-EEG: Topological Time-Series Analysis of Dream-State EEG -- Dynamic Betti Curves for Dream Content Classification and Topology-Conditioned Neural Signal Synthesis

Technische Samenvatting: PHINN-EEG

Probleemstelling
Huidige computationele benaderingen voor het detecteren van droommentatie vanuit elektro-encefalografie (EEG) vertrouwen primair op Power Spectral Density (PSD) en statistische momentkenmerken (bijv. catch22). Hoewel state-of-the-art methoden een Area Under the Receiver Operating Characteristic Curve (AUC) van ongeveer 0,70 bereiken op de DREAM-database, behandelen zij dromen als een probleem van spectrale energie. De auteurs stellen dat deze benadering een fundamentele beperking heeft: het meet hoeveel hersenactiviteit aanwezig is, maar slaagt er niet in de geometrische vorm van die activiteit te vangen. Het artikel betoogt dat droomtoestanden kwalitatief verschillende architecturen van netwerkintegratie impliceren (voorspeld door Integrated Information Theory en Global Workspace Theory) die onzichtbaar zijn voor spectrale decompositie, maar wel meetbaar zijn via topologische invarianten.

Methodologie: De PHINN-EEG Pipeline
Het artikel introduceert PHINN-EEG (Persistent Homology Inspired Neural Network for EEG), een framework dat verschuift van spectrale energieanalyse naar fase-ruimte geometrie. De pipeline bestaat uit vier hoofdfasen:

1. Delay Embedding & Joint Point Cloud Constructie:

   • Multi-kanaals EEG-epochs (30 seconden voorafgaand aan ontwaken) worden verwerkt met behulp van Takens delay embeddings.
   • Een sliding-window benadering wordt gebruikt met een venster van 5 seconden (500 samples bij 100 Hz) en een overlap van 80%.
   • Per-kanaal delay-vectoren worden geconcateneerd om een gezamenlijke puntenwolk (joint point cloud) te vormen in $\mathbb{R}^{K \times d}$, waarbij $K$ het aantal kanalen is (6–18) en $d$ de embedding dimensie is (standaard $d=7$, met sensitiviteits-sweeps tot $d=15$).
   • Noot: De auteurs erkennen expliciet dat deze concatenatie een heuristiek is; het garandeert geen diffeomorfe reconstructie van de onderliggende neurale attractor, maar vangt wel cross-kanaal fase-relaties.

2. Topologische Kenmerkextractie (Dynamische Betti-curves):

   • Op de puntenwolken wordt een Vietoris–Rips Filtratie toegepast. Om computationele hanteerbaarheid te garanderen en onhandelbare simplex-aantallen te vermijden, is de filtratie begrensd:
     • De primaire Betti-curve drempelwaarde $\epsilon^*(t)$ wordt ingesteld op het 10e percentiel van de paarwijze afstanden binnen elk sub-venster.
     • Persistence landscapes en entropie worden berekend met een limiet op het 25ste percentiel.
   • Het systeem extraheert Dynamische Betti-curves ($\beta_0(t), \beta_1(t), \beta_2(t)$) die respectievelijk verbonden componenten, lussen en holtes (voids) vertegenwoordigen.
   • Aanvullende kenmerken zijn onder meer Persistence Landscapes, Persistent Entropy, de Euler Characteristic traject en een Certified Persistence Ratio (CPR) voor ruisrobuustheid.
   • De totale dimensionaliteit van de kenmerken is ongeveer 340 reële kenmerken per epoch.

3. Classificatie Architectuur:

   • Model 1 (Topology Ensemble): Een XGBoost classifier getraind op de volledige topologische kenmerkvector.
   • Model 2 (Raw EEG Ensemble): Een XGBoost classifier getraind op standaard PSD en catch22 kenmerken (ongeveer 220 kenmerken) om als baseline te dienen.
   • Model 2b (Dimensionality-Matched Baseline): Model 2 uitgebreid met extra spectrale bins om de kenmerk-capaciteit van Model 1 te matchen, zodat vergelijkingen niet vertekend worden door de capaciteit van de kenmerkruimte.
   • Model 3 (Temporal Fusion): Een CNN-BiLSTM architectuur met cross-attention om ruwe EEG en topologische kenmerken te fuseren.
   • Validatie: De studie maakt gebruik van een Leave-One-Dataset-Out (LODO) cross-validatie schema over zes open-access subsets van de DREAM-database. Cruciaal is dat de primaire hypothesetests beperkt zijn tot "harmonised-reference" folds (waar trainings- en testsets hetzelfde referentietype delen, bijv. unipolair-naar-Cz versus bipolair) om te voorkomen dat de representatie van het signaal wordt verward met de droominhoud.

4. Generatieve Synthese:

   • Een Topology-Conditioned Rectified Flow model wordt geïntroduceerd om droom-toestand EEG te synthetiseren.
   • Het model wordt geconditioneerd op de topologische kenmerkvector ($\beta^*$) via een cross-attention mechanisme binnen een U-Net backbone.
   • Training maakt gebruik van de Rectified Flow Matching (LRM) loss; een topologische getrouwheidsmeting ($L_{topo}$) wordt gebruikt voor offline validatie, maar is geen differentieerbare training loss vanwege de niet-differentieerbaarheid van de Vietoris–Rips filtratie.
   • Baselines zijn unconditional flow, spectral-conditioned flow (dimensionality-matched), EEG-GAN, VAE, en een latent diffusion model getraind vanaf scratch.

Belangrijkste Bijdragen

1. Eerste Topologische Framework voor Droomdetectie: Introduceert de eerste toepassing van persistent homology voor classificatie van droominhoud op de DREAM-database.
2. Dynamische Betti-curves: Formaliseert de extractie van $\beta_0, \beta_1, \beta_2$ uit multi-kanaals Takens embeddings als discriminerende kenmerken voor droom versus droomloze toestanden.
3. Topology-Conditioned Synthese: Stelt een rectified flow model voor dat EEG genereert geconditioneerd op topologische invarianten, geëvalueerd tegen spectrale en onconditionele baselines.
4. Exploratieve Hypotheseruimte: Presenteert kandidaat-"Betti transitie archetypen" die topologische patronen (bijv. aanhoudende $\beta_1$ lussen) koppelen aan fenomenologische droomcategorieën (bijv. gestructureerde narratieven versus gefragmenteerde herinnering), expliciet geframed als ongeteste hypothesen in afwachting van empirische bevestiging.

Geprojecteerde Resultaten en Prestatiedoelstellingen
Het artikel bestempelt alle prestatiecijfers expliciet als projecties gebaseerd op geverifieerde benchmarks uit gerelateerde TDA-EEG taken (slaapstadia en meditatieve EEG), niet als empirische resultaten uit de DREAM-database zelf.

• REM Dream Detection: Richt zich op een AUC van 0,82–0,90, vergeleken met de huidige benchmark van 0,700 (Wong et al.).
• NREM Dream Detection: Richt zich op een AUC van 0,72–0,78, vergeleken met de baseline van 0,586.
• Generatieve Kwaliteit: Projecteert een Scenario Coverage Rate (SCR) van 60–70% (tegenover 3–5% bij willekeur) en een lagere Fréchet EEG Distance (FED) dan bestaande baselines.
• Ablatie: De auteurs anticiperen dat een via PCA gereduceerd topologisch model significant beter zal presteren dan de ruwe EEG baseline, wat bevestigt dat de winst voortkomt uit de topologische inhoud in plaats van de dimensionaliteit van de kenmerken.

Betekenis en Claims
Het artikel claimt een paradigmaverschuiving in de detectie van zeldzame neurale gebeurtenissen, waarbij de vraag verschuift van "hoeveel hersenactiviteit is er aanwezig?" naar "welke geometrische vorm heeft die activiteit?".

• Theoretische Verschuiving: Het betoogt dat topologie de "vorm van dromen" vangt (persistente lussen, holtes, integratie) die spectrale methoden missen.
• Validatiestatus: De auteurs zijn bescheiden over hun claims. Zij stellen dat de "Geometric Dream Hypothesis" en de specifieke mapping van Betti-getallen naar droominhoud exploratief zijn en empirische validatie vereisen.
• Beperkingen: De auteurs erkennen enkele beperkingen:
  • Volume Conduction: Het onvermogen om surface Laplacians toe te passen op ijle montages (6–18 kanalen) betekent dat zero-lag ruimtelijke mixing een confound blijft, wat indirect wordt aangepakt via MIAAFT-surrogaten en kanaalperturbatie-controles.
  • Signaalrepresentatie: De pipeline werkt met mathematisch verschillende signalen (unipolair versus bipolair) over verschillende datasets, wat de claims over cross-dataset generalisatie beperkt totdat harmonised-reference folds worden gebruikt.
  • Real-time Haalbaarheid: Hoewel de sub-window latentie laag is (<300 ms), duurt de volledige epoch kenmerkextractie momenteel enkele seconden, wat betekent dat real-time BCI-implementatie nog niet is gevestigd.

Samenvattend stelt PHINN-EEG een nieuwe topologische benadering voor voor de detectie en synthese van dromen. Hoewel de geprojecteerde prestatiedoelen ambitieus zijn (AUC 0,82–0,90), frameert het artikel deze als werkdoelen die geworteld zijn in eerdere TDA-successen in andere EEG-domeinen, waarbij de directe volgende stap de empirische uitvoering en validatie van de pipeline op de DREAM-database is.