Robust Sparse Bayesian Learning Based on Minimum Error Entropy for Noisy High-Dimensional Brain Activity Decoding

Resumo Técnico: Aprendizado Bayesiano Esparso Robusto Baseado em Entropia de Erro Mínimo para Decodificação de Atividade Cerebral de Alta Dimensionalidade e Ruidosa

Problema
A decodificação da atividade cerebral enfrenta dois desafios primários: o problema de "alta dimensionalidade e baixa amostragem" e a presença de ruído não gaussiano complexo. Métodos tradicionais de aprendizado de máquina, como os Mínimos Quadrados Ordinários (OLS), sofrem de sobreajuste (overfitting) em configurações de alta dimensionalidade (ex: voxels de fMRI ou canais de EEG/ECoG), onde o número de características excede o número de amostras de treinamento. Embora o Aprendizado Bayesiano Esparso (SBL) ofereça um arcabouço para podar automaticamente características irrelevantes via Determinação de Relevância Automática (ARD), o SBL convencional baseia-se em funções de verossimilhança fundamentadas em distribuições de dados idealizadas (ex: Gaussianas ou de Bernoulli). Essas suposições frequentemente falham em capturar as misturas de ruído não gaussianas complexas inerentes aos registros neurais (ex: artefatos fisiológicos, ruído ambiental), levando à deterioração do desempenho em cenários do mundo real. Métos existentes, como os baseados no Critério de Correntropia Máxima (MCC), muitas vezes carecem de controle de esparsidade explícito ou exigem ajustes complexos de hiperparâmetros, tornando-os menos adequados para a decodificação de alta dimensionalidade.

Metodologia
Os autores propõem o SBL-MEE, um arcabouço de Aprendizado Bayesiano Esparso robusto que integra o critério de aprendizado de Entropia de Erro Mínimo (MEE) ao esqueleto do SBL. A inovação central reside na reformulação do processo de inferência Bayesiana sob um paradigma Bayesiano generalizado (tamb também conhecido como o arcabouço da posterior de Gibbs).

1. Formulação da Posterior Generalizada: Em vez de depender de uma função de verossimilhança padrão derivada de uma suposição de densidade probabilística, o método utiliza a perda induzida por MEE ($L_{MEE}$) para conduzir a atualização da posterior. A posterior generalizada é definida como:
   $$\tilde{p}(w, a|t) \propto \exp(-L_{MEE}) p(w|a)p(a)$$
   onde $w$ representa os parâmetros do modelo, $a$ representa os parâmetros de relevância (controle de esparsidade), e $p(w|a)p(a)$ são os priors Gaussianos hierárquicos. Esta formulação equilibra a minimização do risco empírico (via MEE) com a regularização de esparsidade (via priors).

2. Tratamento de Regressão e Classificação:

   • Regressão: O objetivo MEE é aproximado usando MEE Quantizado (QMEE) para reduzir a complexidade computacional de $O(N^2)$ para $O(MN)$, onde $M$ é o tamanho de um código de quantização.
   • Classificação: Para abordar a natureza multimodal dos erros de classificação (falsos negativos, verdadeiros positivos, falsos positivos), os autores empregam o MEE Restrito (RMEE). Este utiliza um código fixo $\{0, -1, 1\}$ para modelar explicitamente a distribuição de erro trimodal, garantindo que a otimização foque na estrutura de erro correta.

3. Inferência Variacional e Otimização: Como a posterior generalizada é intratável, os autores derivam um algoritmo de aprendizado usando Inferência Variacional com fatoração de campo médio (mean-field). Eles empregam a aproximação Laplaciana para aproximar a posterior não gaussiana dos pesos como uma distribuição Gaussiana. O algoritmo atualiza iterativamente os parâmetros do modelo ($w$) usando métodos baseados em gradiente (ponto fixo para regressão, half-quadratic para classificação) e atualiza os parâmetros de relevância ($a$) para impor esparsidade.

Principais Contribuições

1. Novo Arcabouço: A proposta do SBL-MEE, um arcabouço unificado aplicável tanto para regressão quanto para classificação, que utiliza MEE como o alvo de otimização para a atualização da posterior dentro de um cenário Bayesiano generalizado.
2. Derivação Algorítmica: A derivação de um algoritmo de aprendizado tratável usando inferência variacional e aproximação Laplaciana para estimar os parâmetros do modelo para a posterior de MEE baseada em SBL.
3. Avaliação Abrangente: Avaliação em duas tarefas reais de decodificação cerebral:
   • Regressão: Reconstrução de trajetória de movimento baseada em ECoG (dados de macaco).
   • Classificação: Reconstrução de estímulo visual baseada em fMRI (dados humanos).
4. Análise de Interpretabilidade: Demonstração de que o método proposto gera padrões de decodificação que não são apenas estatisticamente superiores, mas também mais fisiologicamente plausíveis do que os métodos existentes.

Resultados Experimentais
O algoritmo SBL-MEE foi comparado contra o SBL convencional (verossimilhanças Gaussianas/Bernoulli), o estado da arte SBCL (baseado em MCC), Regressão Ridge e Lasso.

• Desempenho: Tanto na tarefa de regressão (ECoG) quanto na de classificação (fMRI), o SBL-MEE alcançou um desempenho de decodificação superior, evidenciado por coeficientes de correlação mais altos e menores Erros Quadráticos Médios (RMSE) em comparação com todos os baselines. Essa superioridade manteve-se mesmo sob condições desafiadoras com tamanhos de dados de treinamento significativamente reduzidos (cenários de alta dimensionalidade e baixa amostragem).
• Interpretabilidade Fisiológica:
  • ECoG (Motor): O SBL-MEE identificou pesos espaciais concentrados em áreas corticais relevantes para o movimento (ex: sulcos Arqueado e Principal), pesos temporais focados em atrasos (lags) próximos ao início do movimento e pesos de frequência dominados por bandas de alta gama (high-gamma). Esses padrões alinharam-se de perto com princípios neurocientíficos conhecidos do controle motor, enquanto outros métodos produziram padrões difusos ou menos específicos.
  • fMRI (Visual): O SBL-MEE produziu mapas retinotópicos com estruturas diagonais fortes (correspondência de excentricidade) e distribuições de peso favorecendo o córtex visual primário (V1) e campos visuais centrais. Isso demonstrou um grau de plausibilidade fisiológica superior em comparação com os padrões uniformes ou excessivamente espalhados de Ridge, Lasso e SBL padrão.

Significância
O artigo afirma que o SBL-MEE fornece uma ferramenta poderosa para melhorar a decodificação da atividade cerebral, particularmente em ambientes ruidosos e de alta dimensionalidade, típicos de pesquisas de Interface Cérebro-Computador (BCI) e neurociência. Ao desacoplar o controle de esparsidade (tratado pelo prior Bayesiano) da robustez ao ruído (tratada pelo critério MEE), o método evita a necessidade de ajuste manual de esparsidade enquanto lida efetivamente com ruído não gaussiano. Os autores enfatizam que, embora a Entropia de Erro Mínimo não seja construída a partir de uma distribuição probabilística arbitrária, ela é altamente eficaz para estabelecer inferência robusta ao ruído dentro do método de aprendizado Bayesiano esparso, promovendo, assim, aplicações de engenharia biomédica.