EvoBrain: Continual Learning of EEG Foundation Models Across Heterogeneous BCI Tasks

Resumo Técnico: EvoBrain

Definição do Problema
Modelos de fundação de eletroencefalografia (EEG), pré-treinados em vastos corpora não rotulados, oferecem uma estrutura unificada para a decodificação cerebral universal. No entanto, as estratégias atuais de pós-treinamento dependem da adaptação estática isolada por tarefa (ex: ajuste fino completo para cada nova tarefa). Este paradigma apresenta duas limitações críticas:

1. Transferência de Conhecimento Obstruída: Impede a síntese de padrões neurais invariantes de ordem superior através de tarefas de BCI heterogêneas (ex: estadiamento do sono, imagética motora, reconhecimento de emoções), confinando o modelo a fronteiras estreitas de tarefas.
2. Gargalos de Escalabilidade: Adaptar-se a uma nova tarefa exige o retreinamento do zero e o armazenamento de conjuntos de parâmetros separados, causando sobrecarga computacional e de armazenamento que escala linearmente com o número de tarefas.

Embora o Aprendizado Contínuo (CL - Continual Learning) ofereça uma solução teórica, aplicar o CL a modelos de fundação de EEG é unicamente desafiador devido à heterogeneidade multinível. Diferentes paradigmas de BCI exibem configurações de aquisição, semântica de rótulos, morfologias de sinal e padrões neuro-espectrais distintos. Métodos padrão de CL frequentemente falham em abordar a necessidade específica de recalibrar respostas espectrais dependentes da tarefa enquanto preservam a geometria de resposta de tarefas anteriores, levando ao esquecimento catastrófico ou transferência negativa.

Metodologia: EvoBrain
Os autores propõem o EvoBrain, um framework de aprendizado contínuo dinâmico e consciente de tarefas, projetado para evoluir um único modelo de fundação de EEG através de um fluxo de tarefas heterogêneas. O framework equilibra plasticidade de aprendizado (adaptação a novas tarefas) e estabilidade de memória (retenção de conhecimento antigo) através de dois componentes complementares:

1. Normalização de Tarefa Neuro-Espectral (NSN):

   • Objetivo: Aumentar a plasticidade alinhando as tarefas recebidas com as estatísticas históricas, enquanto recalibra as respostas espectrais específicas da tarefa.
   • Mecanismo:
     • Normalização Temporal Guiada por Protótipo (PTN): Utiliza protótipos de tarefas históricas (médias móveis exponenciais das médias dos dados por tarefa) para estabilizar as estatísticas temporais entre tarefas. Emprega parâmetros de portão de momento (moment-gating) aprendíveis para redimensionar e deslocar dinamicamente os dados da tarefa atual, reduzindo o desvio de distribuição sem forçar rigidamente uma correspondência.
     • Modulação de Resíduo Espectral Condicionada à Tarefa (SRM): Modela explicitamente padrões espectrais específicos da tarefa. Calcula o espectro de Fourier de valor real do dado normalizado, aplica portões de banda suaves aprendíveis para as bandas de frequência padrão de EEG ($\delta, \theta, \alpha, \sigma, \beta, \gamma$) e modula o resíduo espectral. Isso permite que o modelo aumente ou suprima bandas de frequência específicas com base na assinatura neuro-espectral da tarefa.

2. Destilação de Afinidade de Resposta (RAD):

   • Objetivo: Aumentar a estabilidade preservando a organização da resposta de tarefas antigas e promovendo a transferência seletiva de conhecimento.
   • Mecanismo:
     • Replay Dependente do Tempo: Amostra tarefas históricas com maior probabilidade para tarefas mais antigas (que são mais vulneráveis ao esquecimento) para fornecer dados de replay.
     • Destilação de Geometria de Resposta (RGD): Preserva a geometria relacional das amostras de replay ao combinar as entradas fora da diagonal das matrizes relacionais por amostra entre o modelo estudante atual e um modelo professor congelado (o estado do modelo após aprender a tarefa de replay). Isso mantém as relações estruturais das respostas das tarefas antigas.
     • Alinhamento de Afinidade Espectral (SAA): Alinha as estatísticas de resposta (média, variância, covariância) entre a tarefa atual e as tarefas de replay apenas quando estas exibem assinaturas espectrais compatíveis. Isso é alcançado computando uma "afinidade espectral assinada" baseada na similaridade dos portões de banda condicionados à tarefa. Isso evita o alinhamento indiscriminado entre paradigmas não relacionados, mitigando a transferência negativa.

A função objetivo global combina a perda de classificação específica da tarefa com a perda RAD, ponderada para equilibrar plasticidade e estabilidade.

Principais Contribuições

• Pioneirismo em CL Trans-Tarefa em EEG: Este trabalho é o primeiro a explorar o aprendizado contínuo trans-tarefa para modelos de fundação de EEG, indo além do aprendizado contínuo de paradigma único ou sujeito único.
• Framework Inovador (EvoBrain): Introduz um framework plug-and-play que permite que um único modelo unificado generalize através de diversas tarefas de EEG sem reiniciar o ajuste fino isolado por tarefa.
• Agnosticismo Arquitetural: O framework é validado em quatro backbones de fundação diversos, incluindo arquiteturas baseadas em Transformer (CBraMod, CSBrain, DeeperBrain) e Mamba (EEGMamba), demonstrando sua eficácia independentemente do backbone subjacente.
• Design de Mecanismo: Propõe NSN e RAD para abordar especificamente o equilíbrio entre plasticidade-estabilidade no contexto da heterogeneidade neuro-espectral, em vez de depender de alinhamento de distribuição genérico.

Resultados Experimentais
Os autores avaliaram o EvoBrain em seis tarefas distintas de BCI (Estadiamento do Sono, Imagética Motora, Reconhecimento de Emoção, Fala Imaginada, Diagnóstico de Transtorno Mental) utilizando quatro modelos de fundação sob três ordens diferentes de chegada de tarefas.

• Desempenho: O EvoBrain superou consistentemente os baselines de aprendizado contínuo de última geração (incluindo EWC, LwF, DER++, AGEM e AdaptFormer) em todos os backbones.
• Equilíbrio Plasticidade-Estabilidade: O método alcançou uma baixa Taxa de Esquecimento Relativo (RFR) (tipicamente abaixo de 4,0%), indicando forte retenção de tarefas anteriores enquanto mantém alta precisão em novas tarefas. Em alguns casos, o desempenho em tarefas anteriores melhorou após o aprendizado de tarefas subsequentes, sugerindo transferência positiva.
• Robustez: O framework demonstrou robustez através de diferentes sequências de tarefas e arquiteturas de backbone.
• Estudos de Ablação: A remoção de NSN ou RAD degradou significamente o desempenho, confirmando seus papos complementares. Especificamente, o RGD foi identificado como o componente chave para preservar as estruturas relacionais de tarefas antigas.
• Comparação com Paradigmas Estáticos: O EvoBrain reteve 91,3% do desempenho do ajuste fino isolado de tarefa única, enquanto utiliza apenas um backbone compartilhado, oferecendo uma alternativa escalável ao crescimento de custo linear do ajuste fino estático.

Significância e Alegações
O artigo afirma avançar na realização de um sistema de decodificação de EEG "um-para-todos". Ao formular a adaptação de tarefas descendentes como um problema de aprendizado contínuo trans-tarefa, o EvoBrain aborda as limitações fundamentais das estratégias de pós-treinamento estáticas e isoladas por tarefa. Os autores posicionam seu trabalho como um passo necessário em direção a sistemas de decodificação neural generalistas e escaláveis que podem adquirir conhecimento incrementalmente de tarefas de BCI heterogêneas sem esquecimento catastrófico. O estudo enfatiza que a adaptação contínua bem-sucedida em EEG requer não apenas normalização genérica, mas recalibração neuro-espectral e preservação de afinidade de resposta específicas.

O artigo conclui que, embora o estudo atual utilize um protocolo de incremento de tarefa controlado, o framework proposto fornece uma direção prática de pós-treinamento para modelos de fundação de EEG escaláveis, abrindo caminho para a exploração futura em ambientes online mais flexíveis.