Group Resonance Network: Learnable Prototypes and Multi-Subject Resonance for EEG Emotion Recognition

Each language version is independently generated for its own context, not a direct translation.

Imagine que você está tentando ensinar um computador a "ler" as emoções das pessoas apenas olhando para os sinais elétricos do cérebro delas (o EEG). Parece mágica, certo? Mas há um grande problema: cada cérebro é único. O que faz o cérebro do João ficar feliz pode parecer diferente do que faz o cérebro da Maria ficar feliz, mesmo que ambos estejam assistindo ao mesmo filme engraçado.

É como se cada pessoa tivesse um sotaque diferente quando fala a língua das emoções. Os métodos antigos tentavam ignorar esses sotaques, focando apenas no que é "neutro" para todos, mas muitas vezes perdiam detalhes importantes.

Aqui entra o GRN (Rede de Ressonância de Grupo), o novo método proposto neste artigo. Vamos explicar como ele funciona usando uma analogia simples: O Coral e o Maestro.

1. O Problema: O Sotaque Individual

Antes, os cientistas tratavam cada pessoa como uma ilha isolada. Eles tentavam criar um modelo que funcionasse para todos, mas como os cérebros variam tanto, o modelo ficava confuso quando tentava reconhecer a emoção de uma pessoa nova que nunca tinha visto antes.

2. A Solução: O GRN (A Rede de Ressonância)

O GRN muda a estratégia. Em vez de ignorar as diferenças, ele usa a conexão entre as pessoas a seu favor. Ele funciona como um maestro que ouve um coral inteiro para entender a música, não apenas um cantor sozinho.

O sistema tem três "músicos" principais trabalhando juntos:

A. O Cantor Solo (O Codificador Individual)

Primeiro, o sistema olha para a pessoa específica (você) e analisa seus sinais cerebrais. É como ouvir o seu sotaque individual. Ele diz: "Ok, este é o padrão único do cérebro da Maria".

B. O Coro de Protótipos (Os Protótipos Aprendíveis)

Aqui está a primeira mágica. O sistema cria um pequeno grupo de "fantasmas" ou protótipos na memória do computador. Pense neles como arquivos de referência de emoções.

Existe um protótipo para "Alegria Média".
Existe um para "Tristeza Média".
Existe um para "Raiva Média".

Quando o cérebro da Maria envia um sinal, o sistema pergunta: "A sua emoção soa mais parecida com qual desses fantasmas?". Ele não copia você; ele vê com qual "padrão de grupo" você mais ressoa. Isso ajuda a encontrar o que é comum entre todos nós.

C. O Efeito Espelho (Ressonância Multi-Subjeto)

Esta é a parte mais genial. O sistema pega um pequeno grupo de outras pessoas (um "grupo de referência") que já assistiu ao mesmo vídeo ou ouviu a mesma música.
Ele calcula uma espécie de "sincronia de dança".

Pergunta: "Quando a Maria fica feliz, o cérebro dela 'dança' no mesmo ritmo que o cérebro do João e do Pedro?"
Se a resposta for sim, o sistema usa essa sincronia como uma pista extra. É como se o sistema dissesse: "Ah, quando todos esses outros ficam felizes, o cérebro faz um movimento específico. Como o cérebro da Maria faz o mesmo movimento, ela também deve estar feliz!"

3. A Grande Fusão: O Maestro Junta Tudo

No final, o GRN não escolhe apenas uma dessas pistas. Ele usa um módulo de fusão inteligente que combina:

O que é único em você (seu sotaque).
O que é comum no grupo (os protótipos).
O que é sincronizado com os outros (a dança do grupo).

Ele mistura tudo isso para tomar a decisão final: "Esta pessoa está feliz, triste ou neutra".

Por que isso é importante?

Imagine que você está em uma festa com muita gente.

Métodos antigos: Tentavam entender você ignorando o barulho da festa.
O GRN: Entende que, quando a música toca, quase todo mundo balança a cabeça no mesmo ritmo. Se você está balançando a cabeça no mesmo ritmo que a maioria, é um sinal forte de que você está curtindo a música, mesmo que seu estilo de dançar seja um pouco diferente.

O Resultado

Os testes mostraram que esse método funciona muito melhor do que os antigos, especialmente quando tentamos reconhecer a emoção de uma pessoa que o computador nunca viu antes (o cenário "Leave-One-Subject-Out").

Resumo da Ópera:
O GRN ensina o computador a não apenas ouvir o "sotaque" de cada cérebro, mas a perceber a música de fundo que todos compartilham quando sentem as mesmas emoções. Ao usar essa "ressonância de grupo", ele se torna um leitor de emoções muito mais preciso e confiável.

Each language version is independently generated for its own context, not a direct translation.

Resumo Técnico: Group Resonance Network (GRN)

1. Problema e Motivação

O reconhecimento de emoções baseado em Eletroencefalografia (EEG) enfrenta um desafio fundamental em cenários de generalização entre sujeitos (cross-subject): a alta variabilidade inter-sujeito. Embora modelos profundos existentes (como CNNs e Transformers) tenham desempenho robusto quando treinados e testados no mesmo sujeito, sua eficácia cai drasticamente quando aplicados a novos indivíduos não vistos durante o treinamento.

Métodos atuais de aprendizado de domínio ou adaptação de transferência tendem a tratar cada sujeito como um domínio isolado, focando excessivamente na extração de características invariantes ao sujeito. No entanto, eles frequentemente subutilizam as regularidades de grupo acopladas ao estímulo (stimulus-locked group regularities). Estudos de neurociência (como hyperscanning) indicam que, quando diferentes sujeitos experimentam o mesmo estímulo afetivo, suas respostas cerebrais exibem sincronia mensurável (ex: valores de travamento de fase - PLV e coerência). O GRN propõe explorar explicitamente essa estrutura de referência de grupo para melhorar a robustez.

2. Metodologia: A Rede de Ressonância de Grupo (GRN)

O GRN é uma arquitetura que integra a dinâmica individual do EEG com a modelagem de ressonância de grupo offline. O modelo opera através de três componentes principais e um módulo de fusão:

Codificador Individual (Individual Encoder):
Extrai características de banda (ex: $\delta, \theta, \alpha, \beta, \gamma$ ) de segmentos de EEG. Um encoder leve (CNN ou Transformer) mapeia esses recursos para um embedding individual ( $F$ ), capturando as características específicas do sujeito.
Protótipos de Grupo Aprendíveis (Learnable Group Prototypes):
Em vez de fixar um único sujeito de referência, o GRN mantém um conjunto de $M$ protótipos aprendíveis ( $P = \{p_m\}$ ). Para cada embedding individual $F$ , o modelo calcula similaridades com todos os protótipos e gera uma ponderação suave (atenção). A ressonância induzida por protótipos ( $R$ ) é uma combinação ponderada desses protótipos, resumindo qual padrão de grupo o amostra atual mais se alinha.
Tensor de Ressonância Multi-Sujeito (Multi-Subject Resonance Tensor):
Para capturar a sincronia explícita além dos protótipos, o modelo constrói um tensor de ressonância. Para cada amostra alvo, calcula-se a sincronia (matrizes de PLV e Coerência) em relação a um pequeno conjunto de referência ( $S$ ) de outros sujeitos no mesmo conjunto de treinamento (evitando vazamento de dados em validação cruzada). Um encoder de ressonância ( $ResEnc$ ) comprime esse tensor em um vetor ( $G$ ) que representa a estrutura de sincronia estrutural entre o sujeito alvo e o grupo.
Fusão Consciente de Ressonância (Resonance-Aware Fusion):
O módulo final funde as três representações ( $F$ , $R$ e $G$ ) modelando explicitamente:
- Diferença: Componentes específicos do sujeito ( $F - R$ e $F - G$ ).
- Comunalidade: Componentes compartilhados (produtos elementares $F \odot R$ e $F \odot G$ ).
  Essas interações são concatenadas e passadas por uma MLP para classificação final.

3. Contribuições Principais

Introdução de Tensores de Ressonância Multi-Sujeito: Pela primeira vez, o trabalho aplica tensores de sincronia (PLV/Coerência) entre um sujeito alvo e um pequeno conjunto de referência para reconhecimento de emoções em EEG.
Combinação de Protótipos e Ressonância: Integra protótipos aprendíveis (para capturar estrutura afetiva consistente) com modelagem de sincronia explícita, criando um modelo de afetividade de grupo mais rico.
Arquitetura Temporal Moderna: O framework é compatível com backbones modernos baseados em Transformers para EEG, permitindo modelagem de dependências de longo prazo.
Validação Robusta: Demonstra ganhos consistentes em protocolos dependentes e independentes de sujeito, provando a eficácia da abordagem.

4. Resultados Experimentais

O modelo foi avaliado nos conjuntos de dados públicos SEED (3 classes: Negativo/Neutro/Positivo) e DEAP (binário: Valência e Arousal), utilizando protocolos de Dependência de Sujeito (SD) e Leave-One-Subject-Out (LOSO).

Desempenho no SEED (LOSO):
- O GRN alcançou 87.90% de acurácia, superando o estado da arte (SOTA) anterior, como o DVIE-Net (86.34%) e o FCAnet (84.16%).
- No cenário dependente de sujeito (SD), atingiu 97.42%.
Desempenho no DEAP (LOSO):
- Valência: 90.35% (vs. 89.27% do DVIE-Net).
- Arousal: 89.40% (vs. 88.51% do DVIE-Net).
Estudos de Ablação:
- A remoção do módulo de protótipos reduziu a acurácia para 86.85%.
- A remoção do módulo de ressonância multi-sujeito reduziu para 86.40%.
- O uso de ambos os módulos juntos foi essencial para atingir o pico de 87.90%, confirmando que eles são complementares.
Análise de Sensibilidade: O modelo mostrou-se estável com diferentes números de sujeitos de referência ( $K_r$ ) e protótipos ( $M$ ), indicando robustez na escolha de hiperparâmetros.

5. Significado e Impacto

O trabalho do GRN representa um avanço significativo na área de Interfaces Cérebro-Computador (BCA) afetivas. Ao invés de apenas tentar "ignorar" as diferenças entre sujeitos (como fazem muitos métodos de adaptação de domínio), o GRN aproveita ativamente a sincronia neural compartilhada induzida por estímulos emocionais.

Isso sugere que a variabilidade inter-sujeito não é apenas ruído, mas contém uma estrutura subjacente que pode ser modelada através de ressonância de grupo. A abordagem oferece uma nova direção para o desenvolvimento de sistemas de reconhecimento de emoção mais robustos e generalizáveis, reduzindo a necessidade de calibração extensiva para cada novo usuário. O código fonte foi disponibilizado publicamente, facilitando a reprodução e o avanço futuro da pesquisa.