AutoML-XAI convolutional neural network for hypnotic susceptibility classification from segmented multichannel EEG

Resumo Técnico: CNN AutoML-XAI para Classificação de Suscetibilidade Hipnótica

Declaração do Problema
A classificação da suscetibilidade hipnótica usando eletroencefalografia (EEG) permanece um campo subexplorado e metodologicamente inconsistente em comparação com outras tarefas de EEG, como detecção de convulsões ou estadiamento do sono. Estudos existentes frequentemente dependem de extração de características clássicas (ex: entropia diferencial) ou modelos específicos de aprendizado de máquina sem integrar plenamente a busca de arquitetura automatizada com inteligência artificial explicável (XAI). Além disso, o campo sofre com a disponibilidade limitada de dados, levando a desafios na generalização do modelo e ao uso frequente de aumento de dados sintéticos, que podem introduzir suposições neurofisiológicas que não se sustentam. Existe uma lacuna específica na combinação da otimização de Redes Neurais Convolucionais (CNN) impulsionada por AutoML com a interpretação de bandas de frequência guiada por XAI para criar um modelo interpretável e eficiente em termos de dados para suscetibilidade hipnótica.

Metodologia
O estudo propõe um framework utilizando o dataset público nplresearch/hypnotic-state, que contém registros de EEG de 16 canais de sujeitos categorizados como tendo alta ou baixa suscetibilidade hipnótica.

1. Representação e Segmentação de Dados:

   • Pré-processamento: Cada registro de 16 canais é filtrado em cinco bandas de frequência padrão: Delta (1–4 Hz), Theta (4–8 Hz), Alpha (8–13 Hz), Beta (13–30 Hz) e Gamma (30–45 Hz).
   • Reamostragem e Formatação: Os sinais são reamostrados para 1.000 pontos temporais por canal. Os dados são então divididos em dez "snippets" (fragmentos) não sobrepostos por sujeito.
   • Matriz de Entrada: Cada snippet é formatado como uma matriz de $5 \times 1600$. As 5 linhas representam as bandas de frequência e as 1.600 colunas preservam a estrutura de série temporal ordenada (16 canais $\times$ 100 pontos temporais por canal).
   • Expansão Não-Sintética: Ao contrário de muitas abordagens de deep learning, este método não gera dados sintéticos ou utiliza recombinação entre sujeitos. Ele baseia-se exclusivamente em dados de EEG observados, aumentando o tamanho da amostra através da segmentação enquanto mantém a integridade do sinal.

2. Estratégia de Validação:

   • Para evitar vazamento de dados (data leakage), o estudo emprega uma estratégia de validação cruzada K-fold agrupada (grouped K-fold). Todos os dez snippets derivados de um único sujeito são mantidos juntos dentro de um conjunto de treinamento ou de teste para uma determinada dobra (fold). Isso garante que o modelo seja avaliado em sujeitos não vistos, em vez de snippets não vistos de sujeitos já vistos.

3. Otimização AutoML:

   • A arquitetura da CNN e os hiperparâmetros são otimizados usando Optuna. O espaço de busca inclui o número de camadas convolucionais, contagem de filtros, dimensões de kernel, normalização por lote (batch normalization), taxas de dropout, unidades de camadas densas, taxas de aprendizado e tamanhos de lote (batch sizes).
   • A função objetivo maximiza a média da acurácia balanceada de validação através das dobras agrupadas.

4. IA Explicável (XAI) e Refinamento do Modelo:

   • Após o treinamento da melhor CNN de banda total, SHAP (SHapley Additive exPlanations) e LIME (Local Interpretable Model-agnostic Explanations) são aplicados para identificar as bandas de frequência mais relevantes.
   • Com base nesses insights de XAI, três variantes de modelos são construídas e testadas:
     1. Uma CNN usando apenas as duas principais bandas de frequência classificadas pelo XAI.
     2. Uma CNN de banda total com pesos de linha derivados dos escores de importância do XAI.
     3. Uma variante de teste de estresse onde as duas principais bandas são multiplicadas por um fator de dez.
   • As predições ao nível do sujeito são agregadas pela média das probabilidades dos dez snippets para cada sujeito.

Principais Resultados

• Arquitetura: A busca Optuna selecionou uma CNN com quatro camadas convolucionais, batch normalization, uma taxa de dropout de ~0,19, uma camada densa de 256 unidades, uma taxa de aprendizado de $5,53 \times 10^{-5}$ e um tamanho de lote de 2.
• Métricas de Desempenho:
  • Desempenho da Melhor Dobra (Best-Fold): A CNN com pesos de linha via XAI alcançou uma acurácia perfeita de nível de sujeito, acurácia balanceada, F1 score e AUC de 1,00 em uma única melhor dobra.
  • Desempenho Transversal de Dobras (Cross-Fold): O modelo XAI de Duas Principais Bandas (usando apenas as bandas Alpha e Gamma) demonstrou o desempenho médio mais robusto em todas as dobras, atingindo uma acurácia média de sujeito e acurácia balanceada de 0,667, e um AUC médio de 0,689.
• Importância das Bandas de Frequência: A análise combinada de SHAP e LIME identificou as bandas Alpha e Gamma como as duas características mais críticas para a classificação, seguidas pelas bandas Beta, Theta e Delta.
  • Os rankings do SHAP destacaram as características da banda Gamma (especificamente em torno do canal P3) como dominantes.
  • O LIME distribuiu a relevância de forma mais ampla, mas ainda assim apoiou a alta importância de Alpha e Gamma.

Significância e Alegações
O artigo afirma que este trabalho representa a primeira integração de otimização de CNN baseada em AutoML com seleção e reponderação de bandas de frequência guiadas por XAI especificamente para a classificação de suscetibilidade hipnótica.

• Interpretabilidade: O estudo vai além do deep learning de "caixa-preta" ao usar XAI não apenas para explicação post-hoc, mas para guiar ativamente o refinamento do modelo (seleção e ponderação de bandas).
• Eficiência de Dados: Ao utilizar uma estratégia de segmentação conservadora e não sintética com validação agrupada, os autores demonstram que modelos de alta qualidade podem ser desenvolvidos sem depender de técnicas de aumento de dados potencialmente enviesadas.
• Viabilidade: Os resultados sugerem que AutoML e XAI podem ser efetivamente combinados para produzir um modelo de EEG interpretável para hipnose. A identificação de Alpha e Gamma como discriminadores chave alinha-se parcialmente com a literatura existente sobre profundidade e sugestibilidade hipnótica, oferecendo uma nova perspectiva através da extração de características por deep learning.

Limitações e Perspectivas Futuras
Os autores mantêm um tom modesto em relação à generalização de seus achados. Eles afirmam explicitamente que o resultado de acurácia perfeita de 1,00 na melhor dobra deve ser visto como um resultado exploratório promissor, em vez de evidência conclusiva de generalização, dado o menor desempenho médio entre as dobras. O artigo enfatiza a necessidade crítica de conjuntos de dados de validação maiores e independentes para confirmar esses achados e reconhece que os resultados atuais são específicos para o pipeline e o dataset utilizados.