Comparison of Dimension Reduction Methods for EEG Seizure Detection Using Autonomous AI-Driven Optimization

Resumo Técnico: Comparação de Métodos de Redução de Dimensionalidade para Detecção de Crises Epilépticas em EEG Utilizando Otimização Autônoma Impulsionada por IA

Definição do Problema
O monitoramento de eletroencefalografia (EEG) de longo prazo gera volumes de dados que excedem a capacidade de revisão clínica manual, tornando necessária a detecção automatizada de crises para diagnósticos escaláveis. Embora a pesquisa frequentemente priorize a arquitetura do classificador, a escolha a montante da representação de entrada é igualmente crítica; qualquer informação discriminativa descartada durante a extração de características não pode ser recuperada por classificadores subsequentes. Embora existam diversos métodos de redução de dimensionalidade no espaço do sinal — variando desde a preservação de variância até a modelagem de dinâmicas temporais — uma comparação sistemática desses métodos, pareados com classificadores independentemente otimizados, tem sido inexistente. Especificamente, o hiato de desempenho entre abordagens baseadas em variância (ex: PCA) e abordagens baseadas em dinâmicas (ex: DyCA, DMD) no contexto de aprendizado profundo para EEG permanece não estabelecido.

Metodologia
O estudo utiliza o Temple University Hospital Seizure Corpus (TUSZ v2.0.3), restrito a sujeitos adultos com divisões de treinamento, validação e teste disjuntas por sujeito para garantir uma avaliação rigorosa de generalização. Sinais de EEG de 27 canais brutos foram pré-processados (reamostrados para 256 Hz, filtrados e remontados) e segmentados em janelas de 2 segundos.

A metodologia central envolve uma análise comparativa de quatro técnicas de redução de dimensionalidade, todas projetando a entrada de 27 canais para $n=4$ canais:

1. Análise de Componentes Principais (PCA): Preserva a variância máxima através de autovetores da matriz de covariância.
2. Decomposição de Modos Dinâmicos (DMD): Isola estruturas dinâmicas resolvidas em frequência baseadas em modelos de operadores lineares.
3. Análise de Componentes Dinâmicos (DyCA): Separa dinâmicas determinísticas de ruído estocástico usando modelos de Equações Diferenciais Ordinárias (ODE).
4. Dimensionamento de Volatilidade Média (AVD): Uma medida univariada de heterogeneidade de dispersão entre canais, calculando a média das diferenças quadráticas de estimativas de dispersão (Desvio Absoluto da Mediana e Desvio Padrão) entre pares de canais.

Para garantir uma comparação justa, os autores empregaram um framework de pesquisa autônomo impulsionado por IA. Um agente de codificação baseado em LLM otimizou de forma independente a arquitetura do classificador de aprendizado profundo, as funções de perda e os hiperparâmetros para cada uma das quatro representações. Essa abordagem evita que diferenças de desempenho sejam atribuídas a uma sintonia subótima do classificador, em vez da própria representação de entrada. A busca utilizou uma perda focal (focal loss) para lidar com o desequilíbrio de classes e foi conduzida em um cluster de computação de alto desempenho.

Principais Contribuições

1. Comparação Sistemática: O artigo fornece a primeira avaliação sistemática de PCA, DyCA, DMD e AVD para detecção de crises em EEG, onde cada método é pareado com um classificador de aprendizado profundo unicamente otimizado.
2. Adaptação de Framework: Demonstra a viabilidade prática de adaptar frameworks de pesquisa autônomos para o processamento de sinais biomédicos, permitindo o design de modelos baseados em hipóteses sem o viés arquitetural manual.
3. Insight de Otimização Conjunta: O estudo estabelece que a arquitetura ideal do classificador é dependente da representação, argumentando contra o uso de uma única arquitetura fixa para diversos tipos de entrada.

Resultados
O desempenho foi medido utilizando ROC-AUC e PR-AUC em conjuntos de validação e de teste independentes.

• Superioridade Baseada em Variância: Métodos baseados em variância (AVD e PCA) superaram significativamente os métodos baseados em dinâmicas (DMD e DyCA).
  • O AVD alcançou o maior ROC-AUC de teste de 88,28% e PR-AUC de 31,91%.
  • O PCA seguiu com 85,98% de ROC-AUC de teste.
  • DMD e DyCA pontuaram abaixo, com ROC-AUC de teste de 74,56% e 74,85%, respectivamente.
• Hiato de Generalização: Os métodos baseados em dinâmicas exibiram um déficit de generalização pronunciado, com quedas de aproximadamente 7–9% no ROC-AUC de teste em comparação ao desempenho de validação. Em contraste, AVD e PCA mostraram lacunas muito menores (1,50% e 3,43%), sugerindo que o AVD é menos propenso ao sobreajuste (overfitting) específico do paciente.
• Divergência Arquitetural: A busca autônoma identificou arquiteturas ideais distintas para cada método. Métodos baseados em variância favoreceram a extração de características espectrais multiescala (ex: bancos de filtros), enquanto métodos baseados em dinâmicas exigiram arquiteturas de fluxo duplo para fundir visões complementares de tempo e frequência.

Significância e Alegações
O artigo alega que, para a detecção de crises em EEG, preservar a estrutura de variância (especificamente a heterogeneidade de dispersão entre canais) parece ser mais crítico do que preservar as dinâmicas temporais. Os resultados indicam que o AVD captura uma assinatura de crise que se transfere de forma mais confiável entre sujeitos do que as decomposições modais de DMD e DyCA. Além disso, o estudo ressalta a necessidade de otimizar conjuntamente a representação de entrada e o classificador, uma vez que a "melhor" arquitetura não é universal, mas específica para o método de redução de dimensionalidade empregado.

Os autores mantêm um escopo modesto, reconhecendo limitações como a dependência de um único corpus (TUSZ) e rótulos binários ao nível da janela. Eles sugerem que trabalhos futuros devem explorar a combinação de representações baseadas em variância e baseadas em dinâmicas, além de avaliar a transferibilidade do AVD para tipagens de crises mais granulares e coortes clínicas mais amplas.