Resumo Técnico: Uma Estrutura de Sliced-Wasserstein em Matrizes de Correlação para Decodificação de EEG

Declaração do Problema

A decodificação de eletroencefalografia (EEG) depende fortemente de descritores de covariância devido à sua robustez ao ruído. No entanto, essas representações são sensíveis à escala por canal, o que atua como um fator de incômodo em ambientes científicos onde as magnitudes absolutas do sinal variam significativamente entre sujeitos e sessões. Embora matrizes de correlação de posto total ofereçam uma alternativa invariante à escala, elas formam um manifold de quociente de matrizes Positivas Definidas Simétricas (SPD) que não admite a geometria SPD padrão. Consequentemente, elas têm recebido atenção limitada no aprendizado geométrico profundo.

Além disso, comparar distribuições de matrizes de correlação extraídas de registros de EEG normalmente requer ferramentas de Transporte Ótimo (OT). Embora a distância de Wasserstein forneça um framework principado para comparação de distribuições, computar sua distância em manifolds riemannianos envolve resolver programas lineares de grande escala com complexidade computacional proibitiva ($O(n^3 \log n)$). Extensões de Sliced-Wasserstein (SW) existentes para espaços não euclidianos (ex: esféricos, hiperbólicos ou manifolds SPD) ainda não fornecem uma construção principada adaptada especificamente para o manifold de correlação sob geometrias intrínsecas recentemente introduzidas.

Metodologia

1. Sliced Wasserstein de Métrica Euclidiana de Pullback (PEMSW)

Os autores propõem um framework geral para definir discrepâncias SW em manifolds dotados de Métricas Euclidianas de Pullback (PEMs).

• Conceito Central: Uma PEM é definida via uma difeomorfia global $\phi: \mathcal{M} \to \mathcal{E}$, onde $\mathcal{E}$ é um espaço de produto interno de dimensão finita. Este mapeamento projeta geodésicas no manifold $\mathcal{M}$ para retas no espaço de imersão $\mathcal{E}$.
• Fatiamento Geodésico: Em vez de um complexo fatiamento geodésico no manifold, o framework realiza o fatiamento linear padrão no espaço de imersão $\mathcal{E}$. Para um ponto de referência $x_0$ e uma direção $a$ na esfera unitária de $\mathcal{E}$, a coordenada de fatiamento é uma projeção linear do ponto imerso $\phi(x)$.
• Equivalência: O Teorema 3.4 estabelece que a distância PEMS no manifold é exatamente equivalente à distância SW Euclidiana entre as medidas imersas ($\tilde{\mu} = \phi_\# \mu$ e $\tilde{\nu} = \phi_\# \nu$). Isso permite o cálculo eficiente usando algoritmos de SW Euclidiano padrão enquanto preserva a geometria intrínseca do manifold.
• Propriedades: O framework herda propriedades métricas, garantias de convergência fraca e fornece limites superior/inferior em relação à verdadeira distância de Wasserstein no manifold.

2. Correlation Sliced-Wasserstein (CorSW)

Os autores instanciam a PEMS no manifold de matrizes de correlação de posto total ($\mathcal{C}^{++}_n$) usando duas métricas riemannianas intrínsecas recentemente propostas:

• Métrica Off-Log (OLM): Utiliza a difeomorfia $\text{Logo}$ mapeando $\mathcal{C}^{++}_n$ para o espaço de matrizes simétricas vazadas ($\text{Hol}(n)$). A coordenada de fatiamento é o produto interno de Frobenius entre a direção e a matriz transformada por $\text{Logo}$.
• Métrica Log-Scaled (LSM): Utiliza a difeomorfia $\text{Log}^\star$ mapeando $\mathcal{C}^{++}_n$ para o espaço de matrizes simétricas com som das linhas igual a zero ($\text{Row}_0(n)$).
• Visão Unificada: O artigo demonstra que a existente SPDSW (Sliced-Wasserstein em manifolds SPD) é um caso especial de PEMS quando o manifold é SPD e a imersão é o logaritmo da matriz.

3. Framework de Generalização de Domínio

Para abordar mudanças de distribuição na decodificação de EEG (ex: entre sujeitos ou sessões), os autores desenvolvem um framework de generalização de domínio (DG) usando CorSW:

• Objetivo: Alinhar a distribuição empírica das matrizes de correlação de cada domínio de origem a uma lei de referência comum e independente de domínio.
• Implementação: Uma distribuição de referência é gerada no espaço de imersão (como uma Gaussiana) e mapeada de volta para o manifold de correlação. A perda minimiza a distância CorSW entre as matrizes de correlação do domínio de origem e esta referência.
• Eficiência: O método não requer solvers de OT iterativos; ele depende de imersões de forma fechada e amostragem de Monte Carlo de direções de fatiamento, adicionando um overhead mínimo ao treinamento.

Contribuições Principais

1. Framework PEMSW: Uma construção unificada de discrepâncias SW em manifolds com PEMs, estendendo o SW clássico para espaços não euclidianos enquanto preserva a estrutura geométrica.
2. Instanciação CorSW: Duas discrepâncias CorSW específicas derivadas para matrizes de correlação sob geometrias OLM e LSM, fornecendo coordenadas de fatiamento de forma fechada.
3. Unificação Teórica: Uma prova de que as distâncias SPDSW existentes são casos especiais de PEMS, esclarecendo as fundações geométricas das discrepâncias fatiadas.
4. Validação Empírica: Um framework de DG para decodificação de EEG que demonstra melhor generalização em três conjuntos de dados de referência (BCIC-IV-2a, MAMEM-SSVEP-II, BCI-ERN) com baixo overhead de treinamento e sem custo de inferência.

Resultados Experimentais

O método proposto foi avaliado em três paradigmas de decodificação de EEG: Imagética Motora (MI), Potenciais Evocados Visuais de Estado Estacionário (SSVEP) e Negatividade Relacionada ao Erro (ERN).

• Desempenho: Em todos os conjuntos de dados, modelos aumentados com CorSW (ex: CorAtt-OLM+CorSW-OLM) superaram consistentemente os modelos euclidianos de base, modelos riemannianos padrão e outras estratégias de generalização de domínio (como Instance Weighting e várias técnicas de branqueamento/whitening).
  • Na tarefa ERN, o CorSW melhorou a acurácia média do CorAtt-OLM de base em +4,66%.
  • Na tarefa SSVEP, alcançou um ganho de +2,76%.
  • Na tarefa MI, proporcionou um ganho de +2,45%.
• Robustez: Em protocolos exaustivos de generalização de domínio cross-session (leave-one-session-out), o CorSW alcançou os maiores scores médios entre todos os métodos de DG comparados.
• Estabilidade: A adição do CorSW reduziu significativamente a variabilidade de execução para execução (desvio padrão), indicando melhor estabilidade de treinamento sob mudanças de sessão.
• Eficiência: O tempo de treinamento aumentou apenas cerca de 5,2 ms por iteração em comparação com o baseline, sem custo adicional durante a inferência.
• Interpretabilidade: Visualizações baseadas em gradiente confirmaram que as representações aprendidas focaram em padrões neurofisiologicamente significativos (ex: eletrodo Oz para SSVEP, FCz para ERN), alinhando-se com achados neurocientíficos estabelecidos.

Significância e Alegações

O artigo afirma que o PEMSW fornece uma abordagem geral e extensível para comparação de distribuições em manifolds de pullback. Ao reduzir o fatiamento geodésico ao fatiamento linear em um espaço de imersão, ele oferece uma discrepância baseada em geometria que é principada e eficiente.

Especificamente para EEG, os autores argumentam que o CorSW aborda efetivamente o desafio da invariância de escala e mudanças de distribuição. Diferente de métodos anteriores que ou ignoram a estrutura do manifold de correlação ou dependem de OT computacionalmente caro, o CorSW aproveita geometrias intrínsecas (OLM/LSM) para alinhar distribuições de forma eficiente. Os resultados sugerem que alinhar as distribuições do domínio de origem diretamente no manifold de correlação é mais eficaz do que aplicar perdas de alinhamento euclidiano em representações baseadas em correlação.

Os autores observam limitações, principalmente que o framework é restrito a manifolds com imersões difeomórficas globais (PEMs) e ainda não se estende a manifolds riemannianos gerais sem tais estruturas. Eticamente, eles enfatizam que, embora o método utilize benchmarks existentes, aplicações práticas envolvendo dados sensíveis de EEG devem aderir a protocolos rigorosos de governança de dados e privacidade.