PHINN-EEG: Topological Time-Series Analysis of Dream-State EEG -- Dynamic Betti Curves for Dream Content Classification and Topology-Conditioned Neural Signal Synthesis

Resumo Técnico: PHINN-EEG

Definição do Problema
As abordagens computacionais atuais para detectar mentação onírica (sonhos) a partir de eletroencefalografia (EEG) baseiam-se primariamente em Densidade Espectral de Potência (PSD) e características de momentos estatísticos (ex: catch22). Embora os métodos de última geração alcancem uma Área Sob a Curva ROC (AUC) de aproximadamente 0,70 no banco de dados DREAM, eles tratam o sonho como um problema de energia espectral. Os autores argumentam que esta abordagem possui uma limitação fundamental: ela mede o quanto de atividade cerebral está presente, mas falha em capturar a forma geométrica dessa atividade. O artigo postula que os estados de sonho envolvem arquiteturas de integração de rede qualitativamente diferentes (previstas pela Teoria da Informação Integrada e pela Teoria do Espaço de Trabalho Global) que são invisíveis à decomposição espectral, mas mensuráveis via invariantes topológicos.

Metodologia: O Pipeline PHINN-EEG
O artigo introduz o PHINN-EEG (Persistent Homology Inspired Neural Network for EEG), um framework que desloca a análise da energia espectral para a geometria do espaço de fase. O pipeline consiste em quatro estágios principais:

1. Embedding de Atraso e Construção de Nuvem de Pontos Conjunta:

   • Épectos de EEG multicanais (30 segundos pré-despertar) são processados usando embeddings de atraso de Takens (Takens delay embeddings).
   • Utiliza-se uma abordagem de janela deslizante com uma janela de 5 segundos (500 amostras a 100 Hz) e 80% de sobreposição.
   • Vetores de atraso por canal são concatenados para formar uma nuvem de pontos conjunta em $\mathbb{R}^{K \times d}$, onde $K$ é a contagem de canais (6–18) e $d$ é a dimensão de embedding (padrão $d=7$, com varreduras de sensibilidade até $d=15$).
   • Nota: Os autores explicitamente reconhecem que esta concatenação é uma heurística; ela não garante uma reconstrução diffeomórfica do atrator neural subjacente, mas captura relações de fase entre canais.

2. Extração de Características Topológicas (Curvas de Betti Dinâmicas):

   • A Filtração de Vietoris–Rips é aplicada às nuvens de pontos. Para garantir a tratabilidade computacional e evitar contagens de simplex intratáveis, a filtração é limitada:
     • O limiar da curva de Betti primária $\epsilon^*(t)$ é definido no percentil 10 das distâncias par a par dentro de cada subjanela.
     • Paisagens de persistência (persistence landscapes) e entropia são computadas com um teto no percentil 25.
   • O sistema extrai Curvas de Betti Dinâmicas ($\beta_0(t), \beta_1(t), \beta_2(t)$) representando componentes conectados, loops e vazios (voids), respectivamente.
   • Características adicionais incluem Paisagens de Persistência, Entropia Persistente, a trajetória da Característica de Euler e uma Razão de Persistência Certificada (CPR) para robustez ao ruído.
   • A dimensionalidade total de características é de aproximadamente 340 características de valores reais por época.

3. Arquitetura de Classificação:

   • Modelo 1 (Ensemble Topológico): Um classificador XGBoost treinado no vetor completo de características topológicas.
   • Modelo 2 (Ensemble de EEG Bruto): Um classificador XGBoost treinado em PSD padrão e características catch22 (aprox. 220 características) para servir como linha de base (baseline).
   • Modelo 2b (Linha de Base de Dimensionalidade Correspondente): O Modelo 2 expandido com bins espectrais adicionais para igualar a contagem de características do Modelo 1, garantindo que as comparações não sejam enviesadas pela capacidade do espaço de características.
   • Modelo 3 (Fusão Temporal): Uma arquitetura CNN-BiLSTM com atenção cruzada (cross-attention) para fundir EEG bruto e características topológicas.
   • Validação: O estudo emprega um esquema de validação cruzada Leave-One-Dataset-Out (LODO) através de seis subconjuntos de acesso aberto do banco de dados DREAM. Crucialmente, o teste de hipótese primária é restrito a dobras de "referência harmonizada" (onde os conjuntos de treino e teste compartilham o mesmo tipo de referência, ex: unipolar-para-Cz vs. bipolar) para evitar confundir a representação do sinal com o conteúdo do sonho.

4. Síntese Generativa:

   • Um modelo de Fluxo Retificado Condicionado por Topologia (Topology-Conditioned Rectified Flow) é introduzido para sintetizar o EEG do estado de sonho.
   • O modelo é condicionado ao vetor de características topológicas ($\beta^*$) via um mecanismo de atenção cruzada dentro de um backbone U-Net.
   • O treinamento utiliza perda de Rectified Flow Matching (LRM). Uma métrica de fidelidade topológica ($L_{topo}$) é usada para validação offline, mas não é uma perda de treinamento diferenciável devido à não diferenciabilidade da filtração de Vietoris–Rips.
   • As linhas de base incluem fluxo incondicional, fluxo condicionado espectralmente (com dimensionalidade correspondente), EEG-GAN, VAE e um modelo de difusão latente treinado do zero.

Principais Contribuições

1. Primeiro Framework Topológico para Detecção de Sonhos: Introduz a primeira aplicação de homologia persistente para classificação de conteúdo onírico no banco de dados DREAM.
2. Curvas de Betti Dinâmicas: Formaliza a extração de $\beta_0, \beta_1, \beta_2$ a partir de embeddings de atraso de Takens multicanais como características discriminativas para estados de sonho vs. ausência de sonho.
3. Síntese Condicionada por Topologia: Propõe um modelo de fluxo retificado que gera EEG condicionado a invariantes topológicos, avaliado contra baselines espectrais e incondicionais.
4. Espaço de Hipóteses Exploratórias: Apresenta candidatos a "arquétipos de transição de Betti" ligando padrões topológicos (ex: loops de $\beta_1$ sustentados) a categorias fenomenológicas de sonhos (ex: narrativas estruturadas vs. recordação fragmentada), explicitamente enquadrados como hipóteses não validadas pendentes de confirmação empírica.

Resultados Projetados e Metas de Desempenho
O artigo rotula explicitamente todas as figuras de desempenho como projeções, baseadas em benchmarks verificados de tarefas TDA-EEG relacionadas (estadiamento de sono e EEG meditativo), não sendo resultados empíricos do banco de dados DREAM ainda.

• Detecção de Sonhos em REM: Alvo de uma AUC de 0,82–0,90, comparado ao benchmark atual de 0,700 (Wong et al.).
• Detecção de Sonhos em NREM: Alvo de uma AUC de 0,72–0,78, comparado à linha de base de 0,586.
• Qualidade Generativa: Projeta uma Taxa de Cobertura de Cenário (SCR) de 60–70% (vs. 3–5% aleatório) e menor Distância de Fréchet EEG (FED) do que as linhas de base existentes.
• Ablação: Os autores antecipam que um modelo topológico reduzido por PCA superará significativamente a linha de base de EEG bruto, confirmando que o ganho se deve ao conteúdo topológico e não à dimensionalidade das características.

Significância e Alegações
O artigo reivindica uma mudança de paradigma na detecção de eventos raros neurais, movendo-se da pergunta "quanto de atividade cerebral está presente?" para "qual forma geométrica essa atividade possui?".

• Mudança Teórica: Argumenta que a topologia captura a "forma do sonho" (loops persistentes, vazios, integração) que os métodos espectrais perdem.
• Status de Validação: Os autores são modestos em suas alegações. Eles afirmam que a "Hipótese do Sonho Geométrico" e o mapeamento específico de números de Betti para o conteúdo do sonho são exploratórios e requerem validação empírica no banco de dados DREAM.
• Limitações: O artigo reconhece certas restrições:
  • Condução de Volume: A incapacidade de aplicar Laplacianos de superfície em montagens esparsas (6–18 canais) significa que a mistura espacial de atraso zero permanece um fator de confusão, abordado apenas indiretamente via controles de perturbação de canal e MIAAFT.
  • Representação de Sinal: O pipeline opera em tipos de sinais matematicamente diferentes (unipolar vs. bipolar) entre os datasets, limitando as alegações de generalização entre datasets até que as dobras de referência harmonizada sejam utilizadas.
  • Viabilidade em Tempo Real: Embora a latência de subjanela seja baixa (<300 ms), a extração completa de características por época leva atualmente vários segundos, o que significa que a implantação em BCI de tempo real ainda não foi estabelecida.

Em resumo, o PHINN-EEG propõe uma nova abordagem topológica para detecção e síntese de sonhos. Embora as metas de desempenho projetadas sejam ambiciosas (AUC 0,82–0,90), o artigo as enquadra como alvos de trabalho fundamentados no sucesso prévio da TDA em outros domínios de EEG, sendo o próximo passo imediato a execução e validação empírica do pipeline no banco de dados DREAM.