Synthesizing Epileptic Seizures: Gaussian Processes for EEG Generation

Resumo Técnico: Sintetizando Crises Epilépticas: Processos Gaussianos para Geração de EEG

Definição do Problema
A detecção confiável de crises por eletroencefalografia (EEG) é um objetivo clínico crítico, mas o desempenho dos métodos de aprendizado de máquina é frequentemente limitado pela escassez, altos custos de aquisição e heterogeneidade dos dados de EEG rotulados. Esse desafio é agravado pela natureza intrínseca do EEG epiléptico: ele é de alta dimensão, não estacionário e exibe dependências temporais de longo alcance. Embora modelos generativos profundos (ex: GANs, VAEs, modelos de difusão) tenham sido aplicados à geração de EEG sintético, eles frequentemente têm dificuldade com a síntese de longo horizonte, falham em escalar para gravações multivariadas contínuas e carecem de interpretabilidade. Além disso, os métodos existentes normalmente visam segmentos curtos ou subconjuntos limitados de canais, falhando em preservar a complexa evolução espaço-temporal e as correlações entre canais necessárias para uma modelagem de crises clinicamente realista.

Metodologia: Estrutura GP-EEG
Os autores propõem o GP-EEG, uma estrutura interpretável e hierárquica para gerar gravações de EEG epiléptico multivariadas, de longo horizonte e específicas para cada paciente. O pipeline consiste em seis estágios distintos:

1. Redução de Dimensionalidade: Todas as gravações de um paciente específico são concatenadas e decompostas via Decomposição de Valores Singulares (SVD). Isso separa os dados em escores temporais de baixa dimensão (capturando a dinâmica compartilhada) e cargas espaciais (preservando a estrutura inter-canal específica do paciente).
2. Detecção de Pontos de Mudança e Regressão GP: Os escores temporais são segmentados em regimes quase-estacionários (QS) usando detecção de pontos de mudança offline (combinando testes KPSS e ADF). Dentro de cada regime, um modelo de regressão de Processo Gaussiano (GP) é ajustado usando um kernel quase-periódico (combinando kernels Matérn-3/2 e periódicos) para capturar a estrutura temporal local com quantificação de incerteza.
3. Adaptação de Domínio: Um Autoencoder Variacional de Memória de Longa Curto-Prazo Convolucional (Conv-LSTM VAE) é treinado para mapear os dados substitutos gerados pelo GP bruto para a distribuição do EEG real. Esta etapa, denominada "EEGificação", refina o conteúdo espectral e a morfologia da forma de onda, preservando ao mesmo tempo as dependências temporais e espaciais de longo alcance estabelecidas nos estágios anteriores.
4. Discretização de Estado de Kernel e Modelagem de Transição: Os hiperparâmetros contínuos do GP aprendidos através dos regimes são discretizados em um conjunto finito de estados de kernel via agrupamento (clustering) aglomerativo. Uma cadeia de Markov discreta é então treinada para modelar as probabilidades de transição entre esses estados.
5. Modelagem de Processo de Pontos para Pontos de Mudança: O tempo de mudanças de regime é modelado usando um processo de Poisson não homogêneo ajustado aos locais de pontos de mudança observados, fornecendo uma distribuição fundamentada para a amostragem dos tempos de pontos de mudança sintéticos.
6. Geração Sintética e Reconstrução: Para gerar novos dados, o modelo amostra uma sequência de pontos de mudança do processo de Poisson e uma sequência de estados de kernel da cadeia de Markov. Amostras de GP são extraídas para cada regime, concatenadas para formar escores temporais sintéticos e projetadas de volta para o espaço de canais completo usando as cargas espaciais específicas do paciente. Finalmente, o Conv-LSTM VAE é aplicado para produzir a gravação de EEG sintética final.

Principidades Contribuições
O artigo descreve quatro contribuições primárias:

1. Estrutura Interpretável: Introdução do GP-EEG, um pipeline que combina compressão de baixa dimensão com modelagem temporal explícita baseada em regimes para gerar EEG multivariado, de longo horizonte e específico para o paciente.
2. Preservação da Estrutura Espacial: Ao gerar escores temporais e reconstruir gravações de montagem completa via cargas espaciais específicas do paciente, o método mantém dependências inter-canais realistas sem depender do aprendizado de ponta a ponta de correlações espaciais de alta dimensão.
3. Síntese de Longo Horizonte Tratável: O acoplamento da segmentação baseada em pontos de mudança com a modelagem de regime por GP e um modelo generativo explícito de dinâmicas de regime (cadeias de Markov e processos de Poisson) permite a síntese escalável com interpretabilidade e controle por estágio.
4. Código Aberto: Os autores se comprometem a liberar o código após a anonimização.

Resultados Experimentais
O método foi validado em dois conjuntos de dados de código aberto: CHB-MIT (epilepsia pediátrica) e Siena (epilepsia adulta).

• Avaliação Quantitativa: O GP-EEG superou três baselines de aprendizado profundo (TimeVAE, COSCI-GAN e ImagenTime) em quatro métricas: Diferença de Distribuição Marginal (MDD), Diferença de Autocorrelação (ACD), Diferença de Assimetria (SD) e Diferença de Curtose (KD). Notavelmente, o GP-EEG alcançou o menor ACD (0,341 no Siena, 0,304 no CHB-MIT), indicando uma preservação superior da dinâmica temporal.
• Avaliação Qualitativa: Embeddings t-SNE e Estimativas de Densidade de Kernel (KDE) mostraram que o GP-EEG gerou amostras com a sobreposição mais próxima dos dados reais tanto no espaço de embedding quanto na distribuição de amplitude.
• Utilidade em Tarefas de Avaliação (Downstream): Em um cenário de "Treinar-no-Sintético, Testar-no-Real" (TSTR), o GP-EEG demonstrou desempenho significativamente melhor que os baselines, que falharam amplamente em aprender características significativas de crises. Em experimentos de aumento de dados, adicionar dados sintéticos do GP-EEG aos conjuntos de treinamento reais melhorou as métricas de detecção de crises (Acurácia, Precisão, Recall, F1) em comparação com modelos baseline treinados apenas com dados reais.

Significância e Alegações
Os autores afirmam que este é o primeiro estudo a produzir dados de crise de EEG multivariados, não estacionários, de longo horizonte e interpretáveis. Eles enfatizam que sua abordagem aborda as restrições computacionais e de escassez de dados do aprendizado profundo de ponta a ponta ao alavancar ferramentas matemáticas clássicas (SVD, GPs) combinadas com componentes modernos (VAEs). A estrutura é projetada para apoiar a pesquisa metodológica em cenários clínicos de escassez de dados, permitindo o aumento, o teste de estresse e o benchmarking de algoritmos de aprendizado. Os autores declaram explicitamente que o uso pretendido é para pesquisa e desenvolvimento, e não para tomada de decisão clínica direta, e alertam contra a interpretação excessiva de dados sintéticos como evidência clinicamente válida sem validação adicional.