Resumo Técnico: HERO-SNN

Declaração do Problema

Dados cerebrais espaciotemporais, como Eletroencefalografia (EEG) e Ressonância Magnética Funcional (fMRI), exibem dinâmicas temporais complexas e atividade espacial distribuída que são desafiadoras de modelar. Embora as Redes Neurais de Picos (SNNs) ofereçam um arcabouço biologicamente plausível para representar essas dinâmicas através do processamento baseado em picos, os mecanismos de aprendizado não supervisionado padrão, como a Plasticidade Dependente do Tempo de Disparo (STDP), operam puramente na cronologia local dos picos. Consequentemente, as representações internas formadas pela STDP são agnósticas à tarefa; elas capturam correlações gerais de sinais, mas não se alinham explicitamente com objetivos de classificação ou relevância comportamental.

Quando as SNNs treinadas por STDP são pareadas com camadas de leitura supervisionadas (ex: deSNN), a conectividade interna permanece estática após o treinamento não supervisionado. Isso significa que a rede pode preservar características dominantes do sinal, enquanto falha em capturar padrões sutis e discriminativos essenciais para estados cognitivos ou clínicos específicos. Além disso, o resultado da classificação não influencia a estrutura sináptica interna, deixando uma lacuna entre o aprendizado de representação espaciotemporal não supervisionado e a otimização orientada por tarefas. Métodos de SNN supervisionados ou baseados em reforço existentes frequentemente sacrificam a plausibilidade biológica (localidade) para alcançar o desempenho da tarefa, ou falham em refinar as representações internas com base nos resultados da tarefa.

Metodologia: HERO-SNN

Para abordar essas limitações, os autores propõem o HERO-SNN (Homeostatic Eligibility-based Reward-Optimised Spiking Neural Network). Este arcabouço estende a arquitetura NeuCube existente ao introduzir uma terceira fase de aprendizado que refina a conectividade sináptica interna com base no desempenho da tarefa, preservando o aprendizado local baseado em picos. A metodologia consiste em três fases distintas:

1. Aprendizado Espaciotemporal Não Supervisionado

• Codificação de Dados: Sinais de EEG são convertidos em trens de picos usando um método de codificação temporal baseado em limiar. Um pico é gerado quando a mudança na amplitude do sinal excede um limiar predefinido ($\theta$).
• Mapeamento de Rede: Características de entrada (canais de EEG) são mapeadas para um reservatório de SNN 3D baseado em coordenadas anatômicas (ex: atlas de Talairach). A rede é inicializada com conectividade de "mundo pequeno" (small-world), mimetizando sistemas biológicos com uma mistura de conexões excitatórias e inibitórias.
• Aprendizado STDP: Os pesos sinápticos são atualizados usando regras de STDP não supervisionadas, permitindo que a rede se auto-organize de acordo com as correlações temporais nos dados de entrada.

2. Aprendizado Supervisionado (deSNN)

• Após o treinamento STDP, os pesos sinápticos no reservatório são congelados.
• Uma Rede Neural de Picos Evolutiva Dinâmica (deSNN) é treinada para associar os padrões espaciotemporais aprendidos com rótulos de classe. Neurônios protótipos são criados para cada classe, e as conexões são inicializadas usando aprendizado de Ordem de Rank (RO), onde picos mais precoces carregam maior importância.

3. Refinamento Consciente da Tarefa (HERO-SNN)

Esta fase inovadora introduz um ciclo de feedback onde a confiança da classificação modula as atualizações sinápticas internas. O processo envolve:

• Propagação para Frente e Computação de Confiança: Amostras de treinamento são reproduzidas através da SNN treinada. Um neurônio de saída temporário estima o vetor de confiança da classe ($p_c(s)$) comparando o padrão de picos atual contra os neurônios protótipos armazenados.
• Sinal de Otimização: Um sinal de otimização escalar ($O$) é computado como a diferença entre a confiança da classe real e a classe prevista. Este sinal indica se a representação interna apoia ou conflita com o resultado correto da tarefa.
• Traços de Elegibilidade: Para identificar quais sinapses contribuíram para a decisão atual, um traço de elegibilidade ($e_{ij}$) é mantido para cada sinapse. Este traço registra as sinapses ativadas durante a propagação de picos da amostra reproduzida.
• Refinamento Sináptico: Os pesos sinápticos são atualizados usando o sinal de otimização e o traço de elegibilidade: $\Delta w_{ij} = \eta \cdot O(s) \cdot e_{ij}(t)$. Isso fortalece ou enfraquece seletivamente as sinapses envolvidas em vias relevantes para a tarefa.
• Regulação Homeostática: Para evitar dinâmicas de rede instáveis (ex: disparos excessivos ou silenciamento) causadas por atualizações repetidas de peso, um mecanismo homeostático adapta o limiar de disparo ($V_{th}$) de cada neurônio. Se um neurônio dispara acima de uma taxa alvo, seu limiar aumenta (reduzindo a excitabilidade); se dispara abaixo, o limiar diminui. Isso garante uma atividade de picos esparsa e estável, permitindo a adaptação.

Principais Contribuições

1. Refinamento Interno Consciente da Tarefa: Diferente de abordagens híbridas onde apenas a camada de leitura é supervisionada, o HERO-SNN permite que as representações espaciotemporais internas da SNN sejam refinadas com base no feedback da tarefa.
2. Integração de Sinais Locais e Globais: O arcabouço integra com sucesso a lacuna entre regras de aprendizado biológico local (STDP, traços de elegibilidade) e objetivos globais de tarefa (confiança do classificador) sem abandonar a localidade baseada em picos.
3. Estabilidade Homeostática: A inclusão da adaptação de limiar homeostático garante que a rede mantenha dinâmicas de disparo estáveis durante o processo de refinamento, prevenindo a instabilidade frequentemente associada à plasticidade modulada por recompensa.
4. Interpretabilidade: Ao refinar vias específicas com base na relevância da tarefa, o modelo melhora a interpretabilidade das representações neurais internas.

Resultados Experimentais

O arcabouço foi validado usando um conjunto de dados de EEG de referência de um estudo de intervenção Havening, distinguindo entre um protocolo de toque acolhedor (H+) e um protocolo sem toque (H−).

• Conjunto de Dados: 276 amostras de EEG espaciotemporais (64 canais, 512 pontos temporais) de 23 participantes, divididas em conjuntos de treinamento e teste ao nível do participante para garantir a generalização.
• Desempenho:
  • O HERO-SNN alcançou uma acurácia de classificação de 91,30% (F1-score: 0,91).
  • O baseline STDP+deSNN (sem refinamento) alcançou 84,62% de acurácia.
    Isso representa uma melhoria de 11% na acurácia sobre a abordagem não supervisionada padrão.
    O HERO-SNN superou modelos de aprendizado profundo de última geração, incluindo CNN (83,64%) e LSTM (69,05%), sob as mesmas condições de divisão por participante.
• Análise: Os resultados indicaram que o processo de refinamento levou a mudanças localizadas na conectividade, fortalecendo seletivamente as sinapses relevantes para a tarefa enquanto preservava a estrutura geral aprendida durante a STDP.

Significância e Alegações

O artigo afirma que incorporar o feedback da tarefa diretamente na adaptação das representações neurais espaciotemporais internas melhora significativamente tanto o desempenho da classificação quanto a interpretabilidade do modelo. Os autores sustentam que o HERO-SNN demonstra que as SNNs podem ir além do aprendizado de estrutura puramente não supervisionado para alcançar a otimização específica de tarefas, mantendo a plausibilidade biológica através de regras de aprendizado local e regulação homeostática.

O estudo sugere que esta abordagem é particularmente valiosa para sinais cerebrais de alta dimensão e ruidosos (como EEG), onde a informação relevante é frequentemente fraca e distribuída. Ao refinar a conectividade interna para capturar melhor os padrões discriminativos, o modelo supera as limitações da STDP padrão, que frequentemente falha em alinhar as representações internas com estados cognitivos ou clínicos específicos. Os autores posicionam o HERO-SNN como um arcabouço robusto aplicável a outros tipos de dados espaciotemporais, como séries temporais de fMRI, para aplicações de saúde mental e neurológicas.