Resumo Técnico: Autoencoders Mascarados Aprendem Representações Relevantes para a Percepção a partir de Dados Neurais de Estado de Repouso

Problema

As neuropróteses clínicas enfrentam um gargalo crítico de dados na decodificação da percepção subjetiva a partir da atividade neural. Treinar modelos de decodificação eficazes requer dados rotulados que pareiem registros neurais com relatos perceptivos, mas tais dados são escassos devido à disponibilidade limitada de participantes, sessões experimentais curtas e à dificuldade de medir estados subjetivos. Por outro lado, horas de atividade neural espontânea acumulam-se durante períodos de repouso e entre blocos experimentais, mas permanecem amplamente subutilizadas. Esse desequilíbrio é particularmente severo em limiares perceptivos, onde microestimulações idênticas podem gerar resultados variáveis (percepção vs. não-percepção) devido a flutuações no estado cortical. Decodificadores supervisionados, limitados por poucos exemplos rotulados, frequentemente falham em distinguir os estados neurais sutis que determinam esses resultados ao nível de limiar.

Metodologia

Aquisição e Pré-processamento de Dados

O estudo utilizou dados de um participante com cegueira adquirida, implantado com um array Utah de 96 canais no córtex visual primário (V1). Três conjuntos de dados complementares foram empregados:

1. Estado de Repouso: 252 sessões totalizando 14,6 horas de atividade espontânea sem estimulação, usadas exclusivamente para pré-treinamento.
2. Psicométrico: Estimulação em 12 eletrodos em seis níveis de corrente (1–81 µA) para mapear a intensidade para a percepção.
3. Limiar: Estimulação no limiar perceptual (taxa de detecção de 50%) em 4 eletrodos, onde estímulos idênticos produziram resultados perceptuais variáveis.

Os dados neurais foram processados em atividade de múltiplas unidades (MUA). Uma distinção chave de pré-processamento foi aplicada: os dados de estado de repouso passaram por normalização z-score contínua, enquanto os dados de estimulação utilizaram normalização z-score robusta (mediana e desvio absoluto da mediana) para mitigar o impacto dos artefatos de estimulação. A atividade neural foi extraída 170 ms após o início da estimulação para uma janela de 128 ms, a fim de capturar respostas populacionais evitando artefatos.

Arquitetura do Modelo: Autoencoder Mascarado (MAE)

Os autores empregaram um framework de aprendizado autossupervisionado usando um Autoencoder Mascarado. A arquitetura incorporou modificações padrão, incluindo pre-layer RMSNorm, SwiGLU e QKNorm.

• Entrada: Janelas de sinal de 96 eletrodos × 128 ms foram "patchificadas" (tamanho de patch temporal = 16, tamanho de patch espacial = 1).
• Mascaramento: 75% dos patches foram aleatoriamente mascarados durante o treinamento.
• Encoder: Processou apenas os patches visíveis para gerar representações latentes.
• Decoder: Reconstruiu os patches mascarados usando três entradas: (1) saídas do encoder dos patches visíveis, (2) tokens de máscara aprendidos e (3) um token de embedding de sessão aprendido.
• Codificação Posicional: Embeddings aprendíveis separados para posições temporais e espaciais foram somados para cada embedding de sinal.

Objetivo de Treinamento

O modelo foi treinado por 1 milhão de passos com um tamanho de lote de 32 usando o otimizador AdamW. A função de perda combinou três termos para aprender representações que generalizam entre sessões enquanto preservam a dinâmica neural:

1. Perda de Reconstrução: Erro Quadrático Médio (MSE) calculado apenas nos patches mascarados.
2. Perda de Correlação: Medida entre os sinais previstos e reais.
3. Perda Cross-Session: Uma formulação invertida de SigLip que aproxima amostras de diferentes sessões e afasta amostras da mesma sessão, forçando o modelo a aprender a dinâmica neural subjacente em vez de características específicas da sessão.

A representação latente final foi obtida através da média de todas as saídas do encoder, resultando em um vetor de 768 dimensões.

Estratégia de Avaliação

Para avaliar a utilidade das representações aprendidas, o encoder pré-treinado foi congelado. As características foram extraídas e alimentadas em um classificador de regressão logística com regularização L2 para prever resultados de percepção nos conjuntos de dados psicométrico e de nível de limiar. O desempenho foi comparado contra dois baselines:

1. Dados MUA brutos (achatados para 12.288 dimensões).
2. Sinais MUA reduzidos por PCA (768 dimensões).

Principais Resultados

Emergência de Estrutura Interpretável

Apesar de não receber supervisão quanto a rótulos de estimulação ou percepção durante o pré-treinamento, o MAE aprendeu representações que capturaram uma organização cerebral complexa:

• Organização Espacial: Em projeções t-SNE, tentativas de eletrodos espacialmente adjacentes agruparam-se, refletindo a organização retinotópica de V1. A amplitude da estimulação deslocou sistematicamente as posições dentro desses clusters.
• Separação de Estado Perceptivo: Tentativas resultando em percepção ("Verdadeiro") e tentativas perdidas ("Falso") ocuparam regiões parcialmente distintas no espaço latente. Embora tenha permanecido uma sobreposição substancial (consistente com a natureza estocástica da percepção próxima ao limiar), a separação indicou que a dinâmica espontânea contém estrutura relevante para estados perceptivos.

Desempenho de Decodificação

As características pré-treinadas melhoraram significamente a precisão da decodificação da percepção em comparação aos baselines:

• Tarefa Psicométrica Geral: A abordagem MAE alcançou 84,1% de acurácia balanceada, superando o MUA bruto (80,2%) e o PCA (82,4%). Esta melhoria sobre o PCA sugere que o modelo capturou uma estrutura não linear relevante perdida pela compressão linear.
• Tarefa de Nível de Limiar: Na tarefa mais difícil, onde a percepção variou estocasticamente para estímulos idênticos, o MAE alcançou 64,0% de acurácia, superando o MUA bruto (60,0%) e o PCA (61,3%).

A análise do espaço latente de nível de limiar revelou que, embora alguns eletrodos mostrassem uma separação clara entre tentativas percebidas e perdidas, outros exibiam uma mistura intensa. Os autores atribuem o teto de acurácia (64,0%) à estocasticidade inerente da percepção próxima ao limiar, onde estados neurais quase idênticos podem levar a resultados diferentes.

Significância e Alegações

O artigo afirma que a atividade cortical espontânea não é meramente ruído, mas contém uma estrutura rica e relevante para tarefas. Ao pré-treinar um autoencoder mascarado em 14,6 horas de dados de estado de repouso não rotulados, os autores demonstraram que o aprendizado autossupervisionado pode efetivamente superar o gargalo de dados em neuropróteses clínicas.

O achado central é que o pré-treinamento não supervisionado em atividade espontânea permite que um modelo aprenda propriedades fundamentais do cérebro, como layout espacial e separação de estado perceptivo, que se traduzem diretamente em melhor desempenho de decodificação em tarefas rotuladas. Esta abordagem oferece uma estratégia promissora para alavancar vastos conjuntos de dados neurais não rotulados para aprimorar a decodificação neural, particularmente em cenários onde dados rotulados são escassos e os limiares perceptivos são críticos.

Limitações

Os autores observam que estes achados derivam de um único sujeito, o que exige replicação adicional para determinar a generalizabilidade entre participantes. Além disso, os mecanismos específicos pelos quais a atividade espontânea codifica a estrutura perceptiva permanecem especulativos (por exemplo, explorando os mesmos estados cerebrais flutuantes ou o "replay" de experiências visuais). A atual janela de análise de 128 ms também pode ser breve demais para capturar mudanças mais lentas no estado cortical, representando uma área para investigações futuras.