Subject-Calibrated Attention-State Classification during Digital Cognitive Tasks via MTFF: Band-Token Cross-Band Fusion on Single-Channel EEG

Resumo Técnico: Classificação de Estado de Atenção Calibrada ao Sujeito via MTFF

Definição do Problema
No contexto da aprendizagem digital e do trabalho remoto, o monitoramento objetivo dos estados de atenção durante tarefas cognitivas baseadas em tela é crítico para a interação humano-computador e para a tecnologia educacional. Embora a Eletroencefalografia (EEG) ofereça dinâmica neural com resolução de milissegundos, as soluções existentes frequentemente dependem de paradigmas laboratoriais controlados ou sistemas de múltiplos canais. Existe uma lacuna significativa na aplicação desses métodos em EEG de canal único, portátil e de nível de consumo. Tais dispositivos possuem baixo ônus, mas são altamente suscetíveis a artefatos (oculares, EMG facial, movimento) e carecem da redundância espacial de sistemas de múltiplos canais. Além disso, modelos padrão de aprendizado profundo frequentemente sofrem de overfitting quando aplicados aos dados limitados e ruidosos típicos de registros de canal único, e pipelines de características manuais podem falhar em capturar interações transientes entre bandas, essenciais para distinguir estados de atenção.

Metodologia: O Framework MTFF
Os autores propõem o MTFF (Multi-band Temporal Feature Fusion), um framework de classificação projetado especificamente para EEG de canal único portátil. A arquitetura aborda as restrições de dados ruidosos e de amostras pequenas através de três mecanismos principais:

1. Extração de Características Temporais Multibanda:

   • O sinal bruto de 0,5–40 Hz é primeiro denoisado usando Decomposição de Modo Empírico de Ruído Adaptativo Integrado (CEEMDAN) para remover modos semelhantes a artefatos com base em limiares de energia e curtose.
   • O sinal limpo é decomposto em cinco bandas de frequência canônicas: Delta (δ), Theta (θ), Alpha (α), Beta (β) e Gamma (γ).
   • Em vez de computar características estáticas de potência de banda, o MTFF emprega ramos de convolução temporal paralelos para cada banda. Esses ramos utilizam núcleos de convolução longos (campos receptivos cobrindo 2–3 ciclos da frequência mais baixa em cada banda) para aprender padrões rítmicos locais.
   • A saída de cada ramo é comprimida em um único token de banda aprendível (dimensão de embedding $C=64$), resultando em cinco tokens distintos representando as cinco bandas.

2. Fusão de Tokens de Banda via Transformer Leve (Band-Token Cross-Band Fusion):

   • Para modelar interações entre bandas de frequência sem o custo computacional e o risco de overfitting da autoatenção de sequência longa, o MTFF constrói uma sequência de seis tokens: os cinco tokens de banda mais um token de classe aprendível ($z_{cls}$).
   • Um codificador Transformer leve opera sobre essa sequência curta de 6 tokens. Ele utiliza autoatenção de múltiplas cabeças para modelar explicitamente a complementaridade e as dependências entre as bandas de frequência.
   • A saída final é derivada do token de classe atualizado, que agrega o contexto global das bandas de frequência.

3. Cabeça de Decisão com Controle de Capacidade:

   • Para evitar o overfitting em conjuntos de dados pequenos e calibrados ao sujeito, a saída do Transformer é passada por uma cabeça de decisão linear com regularização esparsa de norma $L_1$. Isso restringe a complexidade do modelo e incentiva soluções esparsas, reduzindo a dependência de pistas específicas de ruído.

Design Experimental

• Dados: Os dados de EEG foram coletados de 50 participantes universitários saudáveis realizando uma tarefa cognitiva digital envolvendo fases alternadas de atenção focada (tarefa de busca de números) e linha de base de baixa atenção (relaxamento).
• Protocolo: O estudo utilizou uma divisão de nível de tentativa 60/40 estratificada por sujeito. As tentativas foram divididas dentro de cada participante em vez de utilizar um protocolo leave-one-subject-out (LOSO). Isso avalia a generalização dependente do sujeito (calibrada para o usuário) em vez do desempenho trans-sujeito livre de calibração.
• Baselines: O modelo MTFF foi comparado contra modelos clássicos de aprendizado de máquina: Árvore de Decisão (DT), Perceptron Multicamadas (MLP), Floresta Aleatória (RF) e Máquina de Vetores de Suporte (SVM).

Resultos Principais
Sob a divisão de 60/40 por sujeito, o MTFF demonstrou desempenho superior em comparação com todos os baselines:

• Acurácia: O MTFF alcançou uma acurácia média por sujeito de 0,8640 em tentativas de teste retidas, superando os baselines (ex: MLP: 0,7375, RF: 0,6825).
• AUC: A AUC média por sujeito foi de 0,9214, e a AUC agregada por nível de tentativa em todos os testes foi de 0,8928.
• Resistência ao Overfitting: Enquanto baselines como DT, MLP e RF alcançaram AUCs de treinamento quase perfeitas (aproximando-se de 1,0), mas sofreram quedas significativas no desempenho de teste (indicando overfitting), o MTFF manteve um intervalo menor entre treino e teste (AUC de Treino: 0,9478 vs. AUC de Teste: 0,8928).
• Métricas Equilibradas: Diferente do MLP e RF, que mostraram alta sensibilidade, mas especificidade extremamente baixa (classificando incorretamente a linha de base como foco), o MTFF alcançou um equilíbrio de trocas com alta sensibilidade (0,8966) e alta especificidade (0,7961).

Significância e Alegações
O artigo alega que o MTFF consegue preencher a lacuna entre características espectrais manuais e arquiteturas profundas pesadas para EEG de canal único portátil. Sua significância reside em:

1. Modelagem Explícita Entre Bandas: Ao tokenizar as bandas de frequência, o modelo aprende explicitamente as interações entre $\delta, \theta, \alpha, \beta, \gamma$ em vez de misturá-las implicitamente via concatenação.
2. Eficiência e Robustez: O design reduz o mecanismo de atenção para um conjunto fixo e pequeno de tokens (6 tokens), tornando-o computacionalmente leve e menos propenso ao overfitting em dados limitados em comparação com Transformers de pontos temporais.
3. Utilidade Calibrada ao Sujeito: Os resultados apoiam a viabilidade do uso de EEG de canal único portátil para o monitoramento de atenção calibrado ao sujeito, onde o sistema é treinado nos dados de um usuário específico para distinguir seus estados de foco vs. relaxamento.

Limitações e Escopo
Os autores declaram explicitamente que o estudo não reivindica generalização trans-sujeito livre de calibração (pois não utilizou LOSO). A avaliação é estritamente limitada a divisões de nível de tentativa dependentes do sujeito. Além disso, os rótulos são proxies de condições de tarefa, não medidas comportamentais diretas, e o sinal frontal de canal único permanece vulnerável a artefatos oculares e de movimento, apesar do pré-processamento. Trabalhos futuros são identificados como necessários para validação verdadeiramente independente de sujeito, estudos de ablação de componentes e análise de interpretabilidade.