Resumo Técnico: ScalpINR – Reconstrução de Campo Neural Consultável por Coordenadas para Super-Resolução Espacial de EEG

1. Definição do Problema

A super-resolução espacial de EEG (EEGSR) visa reconstruir sinais de EEG de alta densidade (HD) a partir de observações esparsas de baixa densidade (LD). Embora seja crucial para aplicações práticas onde a aquisição de HD é dificultada pelo custo, carga de preparação ou limitações de hardware, os métodos existentes enfrentam desafios significativos de robustez em implantações do mundo real.

As abordagens atuais de estado da arte tipicamente aprendem um mapeamento fixo de um layout de entrada de baixa densidade predefinido para um layout de saída de alta densidade fixo. Esta formulação assume um conjunto estático de eletrodos de entrada e saída. No entanto, em cenários realistas, a qualidade dos eletrodos flutua devido a maus contatos, artefatos de movimento ou variabilidade de dispositivos, levando à ausência aleatória de canais e a padrões de canais visíveis variáveis. Quando o conjunto de canais ausentes varia no momento do teste, modelos de mapeamento fixo frequentemente falham porque dependem de correlações específicas do índice do canal, em vez de aprender uma regra de reconstrução fundamentada na geometria do couro cabeludo. Além disso, métodos de interpolação clássicos, embora conscientes da geometria, tendem a suavizar excessivamente estruturas espaciais finas e não conseguem gerar sinais em localizações de eletrodos que nunca foram observadas durante o treinamento.

O artigo postula que a EEGSR sob ausência aleatória não deve ser tratada como a restauração de um tensor de saída fixo a partir de um tensor de entrada mascarado. Em vez disso, deve ser reformulada como a reconstrução de um campo de couro cabeludo consultável por coordenadas a partir de canais de suporte parcialmente observados.

2. Metodologia: ScalpINR

Os autores propõem o ScalpINR (Representação Neural Implícita Condicionada pelo Suporte), um framework que aprende um campo de couro cabeludo condicional compartilhado a partir de canais observados e reconstrói sinais consultando coordenadas arbitrárias de eletrodos. A arquitetura consiste em três componentes principais:

2.1 Codificador de Canal Guiado por Posição

Para lidar com layouts de entrada variáveis, o ScalpINR codifica explicitamente a configuração espacial dos canais disponíveis.

• Tokenização: Para cada canal visível $c$, o sinal $x_c$ é combinado com sua coordenada de eletrodo 3D $p_c$. A coordenada é transformada via uma função de incorporação de posição $\phi(\cdot)$ para criar um descritor espacial.
• Agregação: As representações de sinal e as incorporações de posição são fundidas em tokens por canal, que são então agregados por um codificador invariante à permutação (ex: Set Transformer ou similar) em uma única representação latente do couro cabeludo $z$. Isso permite que o modelo resuma o contexto do sinal e o layout dos eletrodos, independentemente de quais canais específicos estejam visíveis.

2.2 Decodificador INR Condicional Consultável por Coordenadas

O decodificador utiliza uma Representação Neural Implícita (INR) para sintetizar sinais.

• Mecanismo de Consulta: Dado o condicionamento latente $z$, o decodificador prevê o valor do EEG em qualquer coordenada de consulta arbitrária $p_q$ e tempo $t$ usando uma função de campo neural condicional: $\hat{x}(p_q, t) = f_\omega(z, \phi(p_q), \tau(t))$.
• Desacoplamento: Este design desacopla a codificação de dados observados da geração de sinais alvo. O modelo não é restrito a slots de saída predefinidos; ele pode gerar sinais em localizações de eletrodos "não vistas" simplesmente consultando suas coordenadas.

2.3 Treinamento de Corrupção de Canal Preservador de Fidelidade

Para evitar que o campo gerado se desvie das evidências observadas, especialmente sob ausência severa, os autores introduzem uma estratégia de treinamento especializada envolvendo estados mistos de eletrodos:

• Eletrodos Ausentes: Sinais são removidos da entrada para treinar capacidades de recuperação.
• Eletrodos Corrompidos: Sinais são perturbados para imitar observações instáveis ou degradadas, melhorando a robustez.
• Eletrodos Visíveis-mas-Previstos: Canais permanecem na entrada, mas são incluídos no alvo de previsão. Isso evita que o modelo trate canais observados como sinais de passagem sem restrições.
• Objetivo: A perda de treinamento combina uma perda de reconstrução nos canais alvo ($L_{rec}$) e uma perda de fidelidade nos canais visíveis-mas-previstos ($L_{fid}$), garantindo que o campo de couro cabeludo inferido permaneça consistente com o suporte observado.

3. Principais Contribuições

1. Reformulação do Problema: O artigo reformula a EEGSR sob ausência aleatória de canais como um problema de reconstrução de campo de couro cabeludo condicionado pelo suporte e consultável por coordenadas. Isso unifica a reconstrução de canais ausentes variáveis e a geração de sinais de eletrodos não vistos dentro de um único framework.
2. Arquitetura ScalpINR: A proposta de um framework de representação neural implícita guiado por posição que codifica observações parciais em um condicionamento latente e reconstrói sinais via consulta de coordenadas, permitindo a geração de sinais em localizações nunca vistas durante o treinamento.
3. Estratégia de Treinamento: A introdução de uma estratégia de corrupção de canal preservadora de fidelidade que treina o modelo sob estados mistos de visibilidade, corrupção e ausência, impondo consistência entre o campo inferido e os dados observados.

4. Resultados Experimentais

O framework foi avaliado em três conjuntos de dados públicos: SEED (emoção), AAD (atenção auditiva) e BCI2000 (imagética motora).

4.1 Reconstrução de Ausência Aleatória de Canais

Sob variados índices de suporte ($r$), o ScalpINR superou consistentemente os baselines (incluindo Spherical Spline, ZUNA, ImputeINR, CSDI, ESTformer, MCMA, SRGDiff) em fidelidade de sinal (NMSE, PCC, SNR) e preservação espectral.

• Desempenho: No conjunto de dados SEED com um índice de suporte esparso de $r=0,125$, o ScalpINR reduziu o NMSE em 0,10 em comparação ao baseline mais forte (MCMA) e melhorou o SNR em 0,52 dB.
• Fidelidade Espectral: O método alcançou o menor erro espectral em todos os datasets, indicando uma preservação superior da estrutura de frequência do EEG comparado à similaridade de forma de onda ponto a ponto.
• Utilidade Downstream: Os sinais reconstruídos mantiveram informações discriminativas de tarefas, resultando na melhor precisão ou empate na melhor precisão em tarefas de decodificação downstream (ex: reconhecimento de emoção, imagética motora).

4.2 Geração de Eletrodos Estritamente Não Vistos

Em um protocolo mais rigoroso onde um subconjunto de eletrodos foi totalmente retido durante o treinamento (nunca usado como entrada), o ScalpINR demonstrou capacidade de sintetizar sinais nestas novas localizações.

• Resultados AAD: Sob um cenário de retenção estrita com suporte total ($r=1$ para canais visíveis), o ScalpINR reduziu o NMSE em 37,5% e melhorou o SNR em 2,12 dB sobre o baseline mais forte.
• Generalização: O modelo extrapolou com sucesso para localizações de eletrodos não vistas, enquanto métodos de interpolação tenderam a suavizar detalhes excessivamente, e outros baselines de aprendizado profundo mostraram desvios significativos em relação à verdade fundamental (ground truth).

4.3 Eficiência

O ScalpINR é computacionalmente eficiente, exigindo apenas 2,563M de parâmetros e alcançando uma latência de inferência de 2,591 ms por amostra. Isso é significativamente mais rápido que os baselines baseados em difusão (ex: SRGDiff com ~92 ms) enquanto mantém maior precisão.

5. Significância e Alegações

O artigo afirma que o ScalpINR aborda a fragilidade dos métodos de EEGSR existentes em implantações do mundo real onde a disponibilidade de canais é imprevisível. Ao mudar de aprendizado de mapeamento fixo para reconstrução de campo neural consultável por coordenadas, o método alcança:

• Robustez: A capacidade de lidar com ausência aleatória de canais e layouts de eletrodos variáveis sem necessidade de retreinamento ou mudanças arquiteturais.
• Extrapolação: A capacidade de sintetizar sinais em localizações de eletrodos que nunca foram expostas como entrada durante o treinamento, um feito difícil para modelos de aprendizado profundo de mapeamento fixo ou de interpolação padrão.
• Fidelidade: A geração de sinais que preservam tanto a morfologia temporal quanto a estrutura espectral, garantindo utilidade para tarefas de decodificação downstream.

Os autores concluem que este paradigma consultável por coordenadas oferece uma solução flexível e robusta para a aquisição de EEG sob variável disponibilidade de canais, com trabalhos futuros planejados para estender isso para transferência de montagem entre dispositivos e condições heterogêneas do mundo real.