Real-Time Cognitive State Decoding from EEG Using a Hybrid Quantum--Classical Neural Framework

Technische Samenvatting: Real-time Decodering van Cognitieve Toestanden uit EEG middels een Hybride Kwantum-Klassiek Neuraal Framework

Probleemstelling
Nauwkeurige decodering van cognitieve toestanden uit elektro-encefalografie (EEG)-signalen wordt bemoeilijkt door inherente signaaluitdagingen, waaronder hoge ruisniveaus, niet-stationariteit, lage signaal-ruisverhoudingen en significante inter- en intra-subject variabiliteit. Hoewel traditionele machine learning-methoden (bijv. SVM's) een lage latentie bieden, hebben zij moeite met het modelleren van de complexe niet-lineaire dynamica van EEG. Daartegenover staan deep learning-modellen (bijv. CNN's, LSTM's) die de nauwkeurigheid verbeteren, maar vaak grote datasets en aanzienlijke computationele middelen vereisen, en inferentielatenties veroorzaken die de beperkingen van real-time Brain-Computer Interface (BCI) toepassingen overschrijden. Bovendien hebben bestaande kwantum-EEG-frameworks (zoals quEEGNet en QEEGNet) zich primair gericht op offline prestaties of simulatie, en ontbreekt het hen aan gerapporteerde end-to-end inferentielatentie en inzetbare pipelines die geschikt zijn voor real-time operaties.

Methodologie: Het QNeuroGen Framework
De auteurs stellen QNeuroGen voor, een hybride kwantum-klassieke leerarchitectuur ontworpen voor real-time, multi-class cognitieve toestandclassificatie. Het systeem werkt als een modulaire, end-to-end trainbare pipeline bestaande uit vier stadia:

1. Klassieke Preprocessing: EEG-data van de DEAP-dataset (32 subjecten, 14 kanalen, 128 Hz) ondergaat banddoorlaatfiltering (1–40 Hz), artefactverwijdering via Independent Component Analysis (ICA), en segmentatie in vensters van 1 seconde met 50% overlap. Kenmerken worden gestandaardiseerd naar een gemiddelde van nul en een eenheidvariantie.
2. Kwantum Kenmerkencodering: Genormaliseerde EEG-kenmerkvectoren worden in een hoogdimensionale kwantum Hilbertruimte gemapt met behulp van amplitude encoding. Om expliciet de oscillerende frequentiedomein-kenmerken te vangen, wordt een Quantum Fourier Transform (QFT) toegepast op de gecodeerde toestanden.
3. Variational Quantum Circuit (VQC): De gecodeerde toestanden worden verwerkt door een ondiepe, geparametriseerde VQC. Dit circuit bestaat uit trainbare single-qubit rotatiepoorten ($R_x, R_y, R_z$) en verstrengelingsoperaties (CNOT of CZ). De VQC fungeert als een niet-lineaire kenmerk-mapper, die klassieke kenmerken transformeert naar een kwantumrepresentatie die in staat is om hogere-orde correlaties te vangen.
4. Klassieke Neurale Inferentie: Verwachtingswaarden van vooraf gedefinieerde observabelen worden gemeten om een compact, door kwantum afgeleid kenmerkvector te genereren. Deze vector wordt gevoed aan een lichtgewicht klassiek feedforward neuraal netwerk (drie dense lagen met ReLU-activaties en een softmax-output) voor de uiteindelijke classificatie.

Training en Optimalisatie
Het framework maakt gebruik van een end-to-end differentieerbare trainingsstrategie. Klassieke netwerkgewichten worden geoptimaliseerd via standaard backpropagation, terwijl kwantumcircuitparameters worden bijgewerkt met behulp van de parameter-shift rule voor exacte gradiëntschatting. Het model wordt getraind met de Adam-optimizer met early stopping, waarbij een geregulariseerde cross-entropy loss functie wordt toegepast.

Belangrijkste Bijdragen
Het artikel schetst zeven primaire bijdragen:

1. Hybride Architectuur: Een latentie-bewuste, end-to-end trainbare pipeline die kwantum-versterkte kenmerkextractie integreert met lichtgewicht klassieke inferentie, begrensd door NISQ-era executielimieten.
2. Taak-adaptieve Codering: Een geparametriseerde kwantumencoder die amplitude- en rotatiegebaseerde encoding gebruikt om complexe spectrale-temporele afhankelijkheden te representeren.
3. Ondiepe VQC Design: Een discriminatieve representatieleermodule met trainbare rotaties en verstrengeling, geoptimaliseerd voor ruisgevoelige intermediate-scale quantum devices.
4. Differentieerbare Training: Een gecoördineerde optimalisatiestrategie die parameter-shift gradiënten combineert met backpropagation.
5. Real-Time Implementatie: Een gecontaineriseerd (Docker) inferentiesysteem met een REST API, dat een lage-latentie executie bereikt.
6. Uitgebreide Evaluatie: Uitgebreide benchmarking tegen klassieke en deep learning baselines onder identieke condities.
7. Reproduceerbaarheid: Een modulaire, uitbreidbare onderzoeks-pipeline ontworpen voor toekomstig neurotechnologisch onderzoek.

Experimentele Resultaten
Experimenten werden uitgevoerd op de DEAP-dataset, gericht op vier cognitieve toestanden: Werkdruk (Workload), Aandacht (Attention), Ontspanning (Relaxation) en Stress.

• Classificatienauwkeurigheid: QNeuroGen behaalde een gemiddelde nauwkeurigheid van 89,2% (±1,2%), waarmee het de sterkste baseline, een Convolutioneel Neuraal Netwerk (CNN), overtrof met een absolute marge van 12,1%. Het overtrof ook significant SVM (68,4%) en LSTM (74,3%).
• Inferentielatentie: Het systeem bereikte een end-to-end inferentielatentie van 48 ms, wat voldoet aan de real-time drempel van <50 ms. Dit is aanzienlijk sneller dan de CNN (72 ms) en LSTM (81 ms) baselines, ondanks de inclusie van kwantumsimulatiestappen.
• Ablatie-studies: Het verwijderen van de VQC of QFT resulteerde in een significante degradatie van de nauwkeurigheid (dalend naar respectievelijk 82,9% en 84,6%), wat bevestigt dat de prestatiewinst voortkomt uit de kwantum-versterkte kenmerkrepresentatie in plaats van de toegenomen klassieke modelcomplexiteit.
• Efficiëntie: Het model maakte gebruik van ongeveer $10^5$ trainbare parameters, een orde van grootte minder dan deep learning baselines ($10^6$), terwijl het draaide op een CPU met een kwantum simulator backend.

Betekenis en Claims
Het artikel claimt dat QNeuroGen kritieke hiaten in de huidige EEG-decoderingsliteratuur aanpakt door gelijktijdig een hoge voorspellende nauwkeurigheid en real-time operationele haalbaarheid te bereiken. In tegen tegenstelling tot eerdere kwantum-EEG-studies die zich richten op offline evaluatie, demonstreert dit werk een inzetbare pipeline. De auteurs stellen dat het framework er succesvol in slaagt om gebruik te maken van kwantumsuperpositie en verstrengeling om rijkere kenmerkrepresentaties te creëren die de niet-lineaire EEG-dynamica effectiever vangen dan klassieke methoden, zonder de computationele overhead die typisch is voor deep learning. De resultaten suggereren dat hybride kwantum-klassieke modellen een levensvatbaar pad bieden voor de volgende generatie neuro-adaptieve systemen, waarbij een balans wordt gevonden tussen nauwkeurigheid en latentie.

Beperkingen
De auteurs erkennen dat de kwantumcomponenten werden geëvalueerd met statevector simulators in plaats van fysieke kwantumhardware, wat betekent dat de prestaties op werkelijke NISQ-devices met andere ruiskenmerken nog geverifieerd moeten worden. Daarnaast wordt geïdentificeerd dat, hoewel het model goed presteerde op de specifieke dataset, de cross-subject en cross-dataset generalisatie gebieden zijn voor toekomstig onderzoek.