A spectral audit framework reveals task-dependent aperiodic reliance across EEG and ECG deep learning

Resumo Técnico: Um Framework de Auditoria Espectral para Deep Learning de EEG e ECG

Definição do Problema
Modelos de deep learning aplicados a séries temporais fisiológicas, como eletroencefalografia (EEG) e eletrocardiografia (ECG), são frequentemente interpretados através da lente de características oscilatórias específicas do domínio (ex: ritmos delta para o sono, complexos morfológicos para ECG). No entanto, esses sinais possuem inerentemente um envelope espectral de banda larga, do tipo aperiódico $1/f$, que covaria com o estado de alerta, idade, patologia e condições de registro. Os modelos atuais de deep learning podem explorar essa estrutura de banda larga preditiva como um "atalho" em vez de aprender os biomarcadores oscilatórios ou morfológicos específicos que os pesquisadores assumem que estão utilizando. Sem controles explícitos, ganhos de desempenho podem ser atribuídos erroneamente à descoberta de ritmos neurais ou cardíacos específicos, quando na verdade refletem a dependência da inclinação espectral aaperiódica.

Metodologia: O Framework de Auditoria Espectral
Os autores introduzem um framework de "auditoria espectral" projetado para decompor a dependência espectral em componentes aperiódicos e periódicos. O framework emprega os seguintes mecanismos principais:

1. Decomposição Espectral: Os espectros de potência são decompostos em um envelope aperiodic de banda larga (modelado via SpecParam) e picos periódicos residuais.
2. Estratégias de Intervenção:
   • Para modelos baseados em PSD: As entradas são manipuladas para criar três representações: o log-PSD completo, um espectro "com formato aperiodic" (isolando o envelope de banda larga) e um espectro "achatado" residual (removendo o envelope de banda larga, mas preservando as amplitudes relativas dos picos).
   • Para modelos de sinal bruto (raw signal): Intervenções de Fourier que preservam a fase são aplicadas. A fase do sinal bruto é mantida, enquanto o espectro de amplitude é substituído por uma alternativa sham (original), de formato aperiodic ou achatada. Isso manipula a informação espectral enquanto mantém a estrutura de fase temporal fixa.
3. Protocolo de Avaliação: Os modelos são treinados nos dados originais e avaliados sob estas condições de intervenção. Quedas de desempenho (especificamente as "quedas de achatamento") quantificam a dependência do modelo na estrutura aaperiódica.
4. Stack de Validação: O framework inclui controles sham para descartar artefatos de reconstrução de Fourier, simulações sintéticas para verificar a recuperação da verdade fundamental (ground-truth), verificações de concordância entre métodos de decomposição (SpecParam vs. IRASA) e controles de "treino-na-representação" para garantir que os sinais achatados retenham informação utilizável.

Resultados Principais
A auditoria foi aplicada a seis arquiteturas neurais, sete modelos de fundação de EEG e ao dataset de ECG PTB-XL.

• Dependência Dependente da Tarefa: A dependência aaperiódica não é uniforme; ela varia significamente conforme a tarefa.
  • Classificação Sono-Vigília: Modelos mostraram dependência extrema da estrutura aaperiódica. O achatamento do espectro causou quedas de acurácia balanceada superiores a 0.42 pontos (ex: EEGNet caiu de 0.939 para 0.502).
  • Detecção de Anormalidade Clínica (TUAB): Modelos mostraram dependência intermediária, mas significativa. As quedas de achatamento variaram de 0.07 a 0.13 pontos entre as arquiteturas padrão e modelos de fundação.
  • Imagética Motora: A dependência foi mínima. As quedas de achatamento foram próximas de zero (ex: EEGNet caiu apenas 0.005), sugerindo que esses modelos dependem mais de características oscilatórias ou temporais.
• Verificações de Especificidade: Dentro do estágio do sono, a auditoria distinguiu as tarefas. Enquanto a classificação vigília-vs-sono e os cinco estágios colapsaram sob o achatamento, a classificação N2-versus-N3 permaneceu robusta, indicando que a intervenção é diagnóstica e não genericamente destrutiva.
• Confundimento Demográfico: No dataset TUAB, sujeitos anormais eram mais velhos que sujeitos normais. O pareamento por idade/sexo reduziu a queda de achatamento, mas não a eliminou, sugerindo que a estrutura aaperiódica contém tanto atalhos demográficos quanto informações patológicas genuínas.
• Modelos de Fundação: Seis de sete modelos de fundação auditados (ex: BIOT, LaBraM, EEGPT) mostraram dependência aaperiódica com significância FDR, indicando que o pré-treinamento em escala não resolveu o problema do atalho de banda larga. Um modelo (BENDR) exibiu fragilidade, onde até intervenções sham colapsaram o desempenho, destacando a instabilidade em checkpoints públicos.
• Generalização Cross-Modalidade (ECG): A aplicação da auditoria aos dados de ECG PTB-XL revelou grandes quedas de achatamento neural (0.32–0.36) que persistiram mesmo após o pareamento por idade/sexo. Isso confirma que o confundimento se estende além do EEG para outras modalidades fisiológicas com envelopes de banda larga preditivos.

Significância e Alegações
O artigo argumenta que a estrutura espectral aaperiódica é um contribuidor mensurável e dependente da tarefa para o desempenho de deep learning, atuando como um confundimento de série temporal mais amplo. Os autores afirmam que:

1. Validade Interpretativa: Uma alta acurácia não garante que o modelo aprendeu os mecanismos oscilatórios discutidos pelos pesquisadores. Alegações sobre biomarcadores específicos (ex: ritmos alfa/beta) requerem controles aaperiódicos explícitos para descartar a dependência do envelope de banda larga.
2. Padronização: Controles aaperiódicos (decomposição, achatamento, intervenções sham) devem se tornar prática padrão no deep learning de séries temporais fisiológicas, comparáveis aos controles demográficos.
3. Benchmarking: Os atuais leaderboards de modelos de fundação, que reportam apenas a acurácia bruta, obscurecem se os ganhos refletem neurofisiologia aprendida ou atalhos estatísticos de banda larga. Adicionar pontuações de intervenção aaperiódica separaria avanços representacionais genuínos da exploração de inclinações espectrais.
4. Generalização: A classe de confundimento não é específica de EEG. Qualquer série temporal fisiológica com um envelope de banda larga preditivo (incluindo ECG, e potencialmente EMG, HRV, fala e dados financeiros) é suscetível a este modo de falha.

Os autores posicionam a auditoria não como um rebaixamento do deep learning, mas como uma ferramenta para tornar seus sucessos "cientificamente legíveis", distinguindo entre a descoberta genuína de biomarcadores e a dependência de covariáveis espectrais de banda larga.