Temporal Context and Architecture: A Benchmark for Naturalistic EEG Decoding

Resumo Técnico: Contexto Temporal e Arquitetura para Decodificação de EEG Naturalística

Definição do Problema
Decodificar a atividade cerebral a partir de EEG durante tarefas naturalísticas, como assistir a filmes, apresenta um desafio significativo devido à necessidade de capturar dependências temporais de longo alcance em registros contínuos e ruidosos. Embora o aprendizado profundo tenha sido amplamente aplicado a este domínio, as arquiteturas tradicionais enfrentam trade-offs fundamentais: Redes Neurais Convolucionais (CNNs) são computacionalmente eficientes, mas limitadas por campos receptivos locais, enquanto Transformers oferecem contexto global via mecanismos de atenção, mas sofrem com o escalonamento quadrático em tempo e memória. Recentemente, Modelos de Espaço de Estados Estruturados (SSMs), como S4 e S5, surgiram como um meio-termo potencial, oferecendo modelagem de longo alcance com complexidade quase linear. No entanto, faltava uma comparação sistemática de como essas arquiteturas modernas se comportam contra variando comprimentos de contexto temporal, e como elas generalizam através de tarefas, frequências e sujeitos não vistos.

Metodologia
Os autores testam cinco arquiteturas distintas em uma tarefa de decodificação de EEG naturalística de 4 classes utilizando dados da iniciativa Healthy Brain Network (HBN). O conjunto de dados inclui gravações de tarefas de assistir filmes ("Despicable Me", "Diary of a Wimpy Kid", "The Present") e uma linha de base de estado de repouso.

• Processamento de Dados: Os dados brutos foram subamostrados para 250 Hz, filtrados (1-50 Hz), re-referenciados (média comum) e segmentados em janelas variando de 8 s a 128 s com 50% de sobreposição. Crucialmente, a divisão dos dados ocorreu antes da segmentação para evitar vazamento (leakage).
• Arquiteturas Avaliadas:
  1. CNN Temporal: Uma linha de base padrão de campo receptivo local.
  2. LSTM Bidirecional: Uma linha de base recorrente.
  3. Transformer Vanilla: Uma linha de base de atenção global.
  4. EEGXF: Uma linha de base de Transformer estabilizada, desenvolvida pelos autores, que apresenta projeções de entrada simplificadas, camadas de BatchNorm, codificação norm-first e attention pooling aprendido para lidar com a instabilidade de treinamento em EEG ruidoso.
  5. S5: Um modelo de Espaço de Estados Estruturado que utiliza matrizes de estado diagonalizadas para varredura paralela eficiente.
• Métricas de Avaliação: O estudo avalia o desempenho através de três dimensões:
  1. Escalonamento Temporal: Acurácia vs. comprimento do segmento (8s–128s).
  2. Robustez: Mudanças de frequência zero-shot (testando em sinais de 128 Hz e 64 Hz treinados a 250 Hz) e generalização Leave-One-Subject-Out (LOSO).
  3. Comportamento Fora da Distribuição (OOD): Generalização zero-shot para tarefas cognitivas ativas não vistas, analisada junto com métricas de calibração (NLL, Brier, ECE).

Principais Resultados

• Escalonamento de Contexto Temporal: A acurácia geralmente melhora com contextos mais longos. Aos 64 s, o S5 alcançou 98,7% ± 0,6 de acurácia, e a CNN alcançou 98,3% ± 0,3. Notavelmente, o S5 atingiu esse desempenho com aproximadamente 20× menos parâmetros (0,2M vs. 4,4M) do que a CNN.
• Eficiência: A CNN permaneceu a mais rápida em tempo de execução (wall-clock time) (9,8 min aos 64 s), enquanto o S5 e o EEGXF tiveram tempos de treinamento comparáveis (~25 min). O S4 e o LSTM foram considerados não competitivos; o LSTM falhou em convergir e o S4 foi proibitivamente lento.
• Robustez de Frequência Cruzada: Um trade-off significativo surgiu. A acurácia do S5 caiu significativamente (>18 pontos percentuais) quando testado em sinais subamostrados (128 Hz/64 Hz), indicando alta sensibilidade à resolução temporal. Por outro lado, o EEGXF permaneceu notavelmente estável, com uma queda de acurácia de menos de 2%.
• Generalização de Sujeito (LOSO): Em testes leave-one-subject-out, o S5 demonstrou generalização superior (55,9% de acurácia média) em comparação ao EEGXF (48,4%), embora ambos os escores sejam substancialmente menores do que os resultados de sujeitos misturados, destacando a dificuldade da decodificação entre sujeitos.
• OOD e Calibração:
  • S5: Exibiu "especialização excessivamente confiante". Embora bem calibrado em dados dentro da distribuição, ele consistentemente classificou incorretamente tarefas OOD como uma classe específica de filme com alta confiança (~60%), falhando em expressar incerteza.
  • EEGXF: Demonstrou "colapso conservador". Ele identificou corretamente tarefas OOD como desconhecidas ao adotar uma classe neutra ("Estado de Repouso") com baixa confiança (~26%), indicando uma quantificação de incerteza robusta, apesar de ser menos calibrado na distribuição original.

Principais Contribuições

1. Benchmarking Sistemático: O artigo fornece uma comparação abrangente de arquiteturas CNN, RNN, Transformer e SSM através de uma ampla gama de contextos temporais (8s–128s) para decodificação de EEG naturalística.
2. Linha de Base de Transformer Estabilizada: A introdução do EEGXF, uma arquitetura Transformer modificada projetada para lidar com a instabilidade de dados de EEG ruidosos, serve como uma linha de base robusta para comparações futuras.
3. Suíte de Generalização: O estudo vai além da simples acurácia ao introduzir uma suíte de testes de generalização desafiadores, incluindo mudanças de frequência cruzada, generalização independente de sujeito e avaliação zero-shot de tarefas cruzadas.
4. Caracterização de Trade-off de Arquitetura: O trabalho caracteriza explicitamente um trade-off prático de eficiência–robustez, identificando o S5 como ideal para pico de acurácia com eficiência de parâmetros em ambientes controlados, e o EEGXF como preferível quando a robustez e a estimativa de incerteza conservadora são críticas.

Significância e Alegações
O artigo alega que a interação entre a arquitetura do modelo e o contexto temporal é um fator crítico para a decodificação de EEG. Demonstra que, embora o S5 ofereça um equilíbrio atraente de alta acurácia e eficiência de parâmetros, particularmente em cenários de sujeitos misturados e contexto longo, ele carece de robustez a mudanças de frequência e exibe uma confiança perigosa em dados fora da distribuição. Por outro lado, o EEGXF oferece maior estabilidade e uma quantificação de incerteza mais segura, ao custo de acurácia de pico e eficiência computacional.

Os autores concluem que a escolha da arquitetura depende dos requisitos da aplicação: o S5 é ideal para velocidade e acurácia em ambientes controlados, enquanto o EEGXF é preferível para implantação no mundo real, onde a robustez a variações de sinal e a estimativa de incerteza confiável são primordiais. O estudo reconhece sua dependência do conjunto de dados HBN e sugere validação futura em benchmarks padrão como o Sleep-EDF.