🤖 machine learning

Structured Prototype-Guided Adaptation for EEG Foundation Models

Este artigo propõe o SCOPE, um framework estruturado, consciente da confiança e guiado por protótipos, que aborda os desafios da adaptação de modelos fundamentais de EEG para cenários com limitação de rótulos, mitigando a má calibração excessivamente confiante e o desvio de representação por meio de supervisão em nível de coorte e de um adaptador leve condicionado a protótipos.

Autores originais: Jingying Ma, Feng Wu, Yucheng Xing, Qika Lin, Tianyu Liu, Chenyu Liu, Ziyu Jia, Mengling Feng

Publicado 2026-05-11

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Jingying Ma, Feng Wu, Yucheng Xing, Qika Lin, Tianyu Liu, Chenyu Liu, Ziyu Jia, Mengling Feng

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O Grande Problema: O "Estudante Excessivamente Entusiasta"

Imagine que você tem um estudante brilhante (um Modelo Fundamental de EEG) que leu todos os livros da biblioteca. Ele sabe tudo sobre ondas cerebrais porque foi treinado com quantidades massivas de dados. Isso é ótimo!

No entanto, em um hospital real, um médico tem apenas alguns pacientes com diagnósticos confirmados (dados rotulados) e milhares de pacientes sem anotações (dados não rotulados).

Quando você tenta ensinar esse estudante brilhante usando apenas aqueles poucos casos confirmados, algo dá errado. Em vez de aprender as novas regras específicas, o estudante fica excessivamente confiante. Ele começa a adivinhar de forma desenfreada com base nos poucos exemplos que tem, ignorando seu vasto conhecimento geral. Ele "sobreajusta", o que significa que memoriza perfeitamente os poucos exemplos, mas falha completamente quando vê um novo paciente. É como um estudante que memoriza as respostas de três questões de prática, mas reprova no exame real porque não entendeu o conceito.

A Solução: SCOPE

Os autores criaram um novo método chamado SCOPE (Adaptação Guiada por Protótipos Estruturada e Consciente da Confiança). Pense no SCOPE como um tutor inteligente que ajuda o estudante a aprender com os poucos casos confirmados sem fazê-lo esquecer seu conhecimento geral ou adivinhar desenfreadamente nos casos desconhecidos.

O SCOPE funciona em duas etapas principais:

Etapa 1: Construindo um "Mapa" e um "Filtro de Confiança"

Antes de o estudante começar a estudar os novos casos, o tutor cria um guia.

Criando um "Mapa" (Protótipos Estruturados):
Imagine que os diferentes tipos de estados cerebrais (como "dormindo", "acordado", "ansioso") são cidades diferentes em um mapa. Geralmente, quando você tem muito poucos exemplos, o mapa fica confuso e as cidades se misturam.
O SCOPE desenha primeiro um mapa claro e estruturado. Ele usa matemática para garantir que as "cidades" (classes) estejam espaçadas uniformemente e que existam bairros distintos dentro de cada cidade para lidar com diferentes variações. Este mapa atua como um guia persistente, para que o estudante saiba onde deve estar, mesmo que os dados sejam ruidosos.
O "Filtro de Confiança" (Rotulagem Pseudo Consciente da Confiança):
O tutor olha para os milhares de pacientes sem anotações. Em vez de adivinhar cegamente qual é a condição deles, o tutor faz duas perguntas diferentes:
- "Com base no mapa geral, o que é isso?"
- "Com base nos bairros específicos, o que é isso?"
  Se ambas as respostas concordarem, o tutor diz: "Ok, isso parece confiável." Se discordarem, o tutor diz: "Não tenho certeza, vamos ignorar este por enquanto." Isso impede que o estudante aprenda com más suposições.

Etapa 2: Os "Óculos Leves" (ProAdapter)

Agora, é hora de o estudante estudar.

O Problema com os Métodos Antigos: Geralmente, para ensinar uma nova tarefa, você diz ao estudante para reescrever todo o seu cérebro (Ajuste Fino Completo). Isso é perigoso porque eles podem apagar todo o conhecimento que ganharam ao ler a biblioteca.
A Abordagem do SCOPE: Em vez de reescrever o cérebro, o SCOPE coloca um par de óculos especializados no estudante. Estes são chamados de ProAdapters.
- O cérebro principal do estudante (o Modelo Fundamental) permanece congelado e intocado.
- Os óculos são leves e ajustam apenas as camadas mais altas do pensamento do estudante.
- Crucialmente, esses óculos são condicionados ao Mapa. Eles forçam o estudante a olhar para os novos dados através da lente do guia estruturado construído na Etapa 1.

Por Que Isso Funciona Melhor

O artigo testou isso em seis tarefas cerebrais diferentes (como estadiamento do sono e detecção de emoção) e cinco tipos diferentes de modelos de IA.

O Resultado: O SCOPE consistentemente superou os métodos antigos.
A Analogia: Enquanto outros métodos tentavam forçar o estudante a memorizar os poucos exemplos (levando à confusão), o SCOPE deu ao estudante um mapa claro e um filtro para ignorar más suposições, mantendo ao mesmo tempo seu conhecimento original da biblioteca intacto.
Eficiência: Ele fez isso alterando apenas uma pequena fração dos parâmetros do modelo (como ajustar os óculos em vez de reconstruir o cérebro), tornando-o rápido e barato de executar.

Resumo

Em resumo, o SCOPE resolve o problema de ensinar modelos de IA cerebrais poderosos quando você não tem dados rotulados suficientes, fazendo o seguinte:

Construindo um mapa estruturado do que os dados deveriam parecer.
Usando um filtro de confiança para aprender apenas com suposições de alta qualidade.
Colocando óculos leves na IA para guiar seu pensamento sem quebrar seu conhecimento existente.

Isso permite que a IA se adapte a novas situações clínicas do mundo real de forma confiável, mesmo quando um médico tem apenas um punhado de casos confirmados para trabalhar.

Resumo Técnico: SCOPE – Adaptação Guiada por Protótipos Estruturados para Modelos Fundamentais de EEG com Rótulos Limitados

1. Declaração do Problema

Modelos fundamentais de eletroencefalografia (EFMs) demonstraram desempenho robusto quando totalmente ajustados (fine-tuned) em dados rotulados abundantes. No entanto, em cenários clínicos reais, anotações confiáveis ao nível do sujeito são escassas, frequentemente deixando apenas uma pequena fração de sujeitos rotulados (por exemplo, 30% ou menos) ao lado de gravações não rotuladas abundantes.

Os autores identificam que o ajuste total padrão falha sob essas condições de rótulos limitados não apenas devido à insuficiência de dados, mas devido a um desajuste estrutural entre a supervisão ruidosa e limitada e o espaço de parâmetros altamente plástico dos EFMs. A análise empírica revela três modos de falha críticos:

Auto-guia Não Confiável: Os EFMs exibem excesso de confiança, mas imprecisão sob supervisão limitada, tornando o auto-treinamento (baseado na confiança do modelo) propenso à amplificação de erros.
Colapso de Previsão: Estratégias de pseudo-rotulagem frequentemente falham devido a limites de classe ambíguos em estados cerebrais contínuos e desequilíbrio de classes, levando a um aprendizado enviesado em direção a modos dominantes.
Vulnerabilidade do Espaço de Parâmetros: O ajuste total causa deriva significativa de representação através das camadas, onde gradientes ruidosos sobrepõem representações pré-treinadas transferíveis, levando a uma deriva de otimização irreversível.

Métodos existentes de ajuste fino eficiente em parâmetros (PEFT) e abordagens genéricas de aprendizado semi-supervisionado (por exemplo, FixMatch, FineSSL) mostraram-se instáveis ou subótimos quando aplicados diretamente a EFMs em cenários entre sujeitos com rótulos limitados.

2. Metodologia: Framework SCOPE

Os autores propõem o SCOPE (Adaptação Guiada por Protótipos Estruturados Consciente de Confiança), um framework de dois estágios projetado para adaptar EFMs sem sobrescrever conhecimento pré-treinado.

Estágio I: Construção de Supervisão Estruturada Externa

Em vez de depender das próprias previsões do EFM para auto-treinamento, o SCOPE constrói supervisão externa usando uma Rede de Prioridade de Tarefa (TPN) leve, treinada apenas no pequeno conjunto rotulado.

Protótipos Estruturados ao Nível de Coorte:
- Geometria Inter-Classe: A TPN emprega uma Rede de Prioridade de Tarefa com um regularizador de Quadro Apertado Equiangular (ETF). Isso impõe separação angular máxima entre os pesos das classes, garantindo embeddings separáveis por classe.
- Variabilidade Intra-Classe: Para lidar com padrões diversos dentro de uma classe, o framework aprende múltiplos protótipos balanceados por classe usando otimização Sinkhorn-Knopp. Isso garante uma atribuição balanceada de amostras aos protótipos, prevenindo o colapso em modos dominantes.
Pseudo-rotulagem ao Nível de Amostra Consciente de Confiança:
- Pseudo-rótulos são gerados apenas quando a previsão de prioridade de tarefa (enfatizando a separação inter-classe) concorda com a previsão baseada em protótipos (capturando a variação intra-classe).
- Um mecanismo de fusão Dempster-Shafer combina essas duas fontes de evidência para quantificar a confiabilidade.
- As amostras são selecionadas para adaptação apenas se sua pontuação de confiança fundida exceder um limite predefinido, filtrando sinais não confiáveis.

Estágio II: Adaptação Condicionada a Protótipos (ProAdapter)

Para abordar a vulnerabilidade do espaço de parâmetros do EFM, o SCOPE congela a base (backbone) e introduz um ProAdapter leve inserido nas últimas $L$ camadas da rede.

Mecanismo: O adaptador usa modulação específica de características (escala $\alpha$ e deslocamento $\beta$ ) condicionada ao vetor de similaridade da amostra com os protótipos aprendidos.
Arquitetura:
- Gera parâmetros de modulação base a partir das estatísticas próprias da camada (auto-condicionamento).
- Gera um termo de modulação adicional a partir do vetor de similaridade de protótipos, explicitamente controlado e limitado para garantir adaptação estável.
- Isso permite que a geometria estruturada da supervisão externa guie a adaptação de características intermediárias sem modificar os pesos pré-treinados.

Estratégia de Treinamento

O SCOPE emprega uma estratégia de adaptação de aquecimento (warm-up). O treinamento começa com atualizações supervisionadas no conjunto rotulado e, em seguida, incorpora gradualmente dados não rotulados usando pseudo-rótulos ponderados por confiança. Isso evita que a supervisão ruidosa domine os estágios iniciais do treinamento.

3. Contribuições Principais

Protótipos Estruturados Externos ao Nível de Coorte: O primeiro framework a construir protótipos persistentes e regularizados geometricamente (via ETF e Sinkhorn-Knopp) para fornecer orientação externa estável para EFMs, abordando a questão da mistura de classes e colapso de modos.
Pseudo-rotulagem ao Nível de Amostra Consciente de Confiança: Uma estratégia de rotulagem inovadora que funde previsões de prioridade de tarefa e protótipos usando a teoria de Dempster-Shafer para filtrar amostras incertas, mitigando o excesso de confiança dos EFMs.
Adaptação Condicionada a Protótipos (ProAdapter): Um adaptador leve que injeta geometria de protótipos em EFMs congelados via modulação de características, preservando representações pré-treinadas enquanto se adapta a tarefas específicas.
Avaliação Abrangente: Um estudo sistemático em 6 tarefas de EEG, 5 backbones de modelos fundamentais (incluindo arquiteturas Transformer e State-Space Model) e diferentes proporções de rótulos (5%–50%).

4. Resultados Experimentais

Os autores avaliaram o SCOPE em seis conjuntos de dados públicos (ISRUC, SEED, Mental Arithmetic, PhysioNet-MI, SHU-MI, CHB-MIT) usando cinco backbones diferentes de EFM (LaBraM, CBraMod, CSBrain, EEGMamba, CodeBrain).

Desempenho: O SCOPE superou consistentemente as linhas de base, incluindo ajuste total, backbones congelados, LoRA e métodos semi-supervisionados existentes (FixMatch, FineSSL).
- No conjunto de dados ISRUC com 30% de sujeitos rotulados, o SCOPE melhorou o Kappa em +7,61 (LaBraM) e +10,92 (CodeBrain) em comparação com backbones congelados.
- Demonstrou robustez em diferentes famílias arquitetônicas (Transformer vs. SSM) e conjuntos de dados onde outros métodos falharam ou colapsaram.
Eficiência: O método alcança esses ganhos com apenas 2–5% de parâmetros treináveis e tempo de treinamento e memória de GPU significativamente reduzidos em comparação com o ajuste total.
Estudos de Ablação:
- A remoção do módulo de construção de supervisão causou as maiores quedas de desempenho (5–7%), confirmando que o auto-treinamento é insuficiente para EFMs.
- A remoção do ProAdapter levou a degradação significativa (até 10% em backbones SSM), destacando a necessidade de modulação condicionada a protótipos.
- O peso de confiança e as estratégias de aquecimento mostraram-se críticos para a estabilidade.

5. Significado e Alegações

O artigo afirma ser o primeiro estudo sistemático sobre a adaptação de modelos fundamentais de EEG sob condições de implantação prática com rótulos limitados.

Os autores argumentam que a não confiabilidade do ajuste total em regimes de baixo número de rótulos decorre de um desajuste estrutural, e não apenas da escassez de dados. Ao mudar do auto-treinamento e pseudo-rótulos ao nível de amostra para supervisão estruturada externa ao nível de coorte e adaptação condicionada, o SCOPE fornece um caminho mais confiável e eficiente em dados para implantar EFMs em cenários clínicos reais onde anotações de especialistas são limitadas. O trabalho sugere que preservar representações pré-treinadas por meio de modulação leve e guiada geometricamente é superior a atualizações diretas de parâmetros nessas configurações.