Severity-Adapted Decoding for Neurorehabilitation BCI: Comparing Cascade and Flat Classifiers for Motor Imagery and the Value of Decomposing Activity Into Levels

Problema

As interfaces cérebro-computador (BCIs) projetadas para neurorreabilitação frequentemente enfrentam o desafio da entrada incompleta do usuário. Pacientes com deficiências motoras graves (ex: acidente vascular cerebral ou lesão medular) podem ser capazes de expressar uma intenção ampla (ex: "mover este membro"), mas lutam para fornecer os detalhes motores refinados (ex: lateralização específica ou subgrupo de efetor) exigidos por decodificadores multiclasse planos convencionais. As arquiteturas de decodificação "tudo ou nada" tradicionais falham em fornecer feedback acionável quando um paciente consegue controlar apenas parcialmente o sinal. O problema de engenharia central abordado é como construir um decodificador que permaneça útil sob informação parcial, oferecendo um caminho de ativação progressiva conforme a capacidade residual do paciente melhora.

Metodologia

O estudo compara duas arquiteturas de decodificação em dois conjuntos de dados públicos de imagética motora: EEGMMIDB ($n=45$ sujeitos) e BCI Competition IV Dataset 2a ($n=9$ sujeitos). Ambos os conjuntos de dados foram reduzidos para quatro classes cada.

• Pré-processamento e Características: Os dados passaram por referenciamento médio, filtragem passa-banda e rejeição de artefatos (incluindo ICA para o EEGMMIDB). Os ensaios foram segmentados com base na semântica dos marcadores. As características foram extraídas estimando a matriz de covariância e mapeando-a para o espaço tangente da variedade SPD.
• Classificadores: Ambas as arquiteturas utilizaram regressão logística com escala padrão e pesos de classe balanceados.
  • Modelo Plano (Flat Model): Uma única regressão logística multinomial prevendo todas as quatro classes simultaneamente.
  • Modelo em Cascata (Cascade Model): Uma árvore binária roteando os ensaios através de decisões sequenciais.
    • Árvore EEGMMIDB: Mão vs. Pé $\rightarrow$ Unimanual vs. Bimanual $\rightarrow$ Esquerda vs. Direita.
    • Árvore BCI-IV-2a: Mão vs. Não-Mão $\rightarrow$ (Ramos paralelos) Esquerda vs. Direita (Mão) e Pés vs. Língua (Não-Mão).
  • Variantes de Roteamento: O estudo testou o roteamento "rígido" (decisão mais provável) e o roteamento "suave" (multiplicação de probabilidade). Uma variante de "Confiabilidade" (REL) também foi testada, que reordena os nós para colocar a decisão mais fácil (unimanual/bimanual) primeiro.
• Métricas: O desempenho foi medido usando acurácia balanceada e habilidade normalizada ($S = \frac{\text{bacc} - \text{chance}}{1 - \text{chance}}$) para avaliar o desempenho relativo ao acaso em diferentes profundidades de decisão. A significância estatística foi avaliada via testes de postos de Wilcoxon pareados com correção de Holm.
• Análises Adicionais: O estudo incluiu uma análise de opção de rejeição (abster-se abaixo de um limiar de confiança) e uma investigação de degradação de canais (subamostragem aleatória de canais).

Principais Resultados

1. Comparação de Acurácia
Não houve diferença estatisticamente significativa na acurácia balanceada entre os modelos de cascata e o modelo plano em nenhum dos dois conjuntos de dados.

• EEGMMIDB: Modelo plano (0,501) vs. Melhor Cascata (0,517); a ligeira vantagem para a cascata não sobreviveu à correção de Holm ($p_{adj} = 0,134$).
• BCI-IV-2a: Modelo plano (0,622) vs. Melhor Cascata (0,616); $p = 0,46$.
• Eficiência de Parâmetros: A arquitetura de cascata alcançou desempenho comparável utilizando 25% menos parâmetros do que o modelo plano.

2. Estrutura de Dificuldade e Profundidade de Ativação
O estudo revelou que a informação está naturalmente organizada por níveis de dificuldade:

• Decisões Coarsas: Decisões relativas ao tipo de membro (mão vs. pé) ou unimanual vs. bimanual são altamente confiáveis (AUC $\approx$ 0,80–0,98).
• O Gargalo: A decisão de lateralização esquerda/direita é o gargalo consistente em ambos os conjuntos de dados (AUC 0,66 no EEGMMIDB, 0,78 no IV-2a).
• Habilidade Normalizada: No EEGMMIDB, a habilidade normalizada atingiu o pico na profundidade intermediária (unimanual/bimanual/membro) em 0,45, significativamente maior do que a profundidade total de quatro classes (0,34). No IV-2a, a decisão grosseira "mão/não-mão" rendeu uma habilidade de 0,62, significativamente maior do que a tarefa completa (0,48). Isso indica que um paciente severamente prejudicado pode obter uma decisão útil, acima do acaso, mesmo que não consiga completar a classificação total.

3. Interpretabilidade
A análise de importância de canais para o nível de lateralização mostrou pesos dominantes em canais centrais e centro-parietais (ex: C4, CP4), consistentes com uma topografia sensori-motora contralateral. Isso confirma que a dificuldade da lateralização é intrínseca à decodificação da imagética motora.

4. Opção de Rejeição
Sob uma opção de rejeição baseada em confiança, o modelo de cascata manteve uma vantagem de acurácia modesta, mas consistente, sobre o modelo plano em níveis de cobertura correspondentes (ex: 0,536 vs. 0,527 com $\approx$80% de cobertura).

5. Robustez (Resultado Nulo)
O estudo relatou explicitamente que a arquitetura de cascata não é mais robusta à degradação de canais do que o modelo plano. Sob subamostragem aleatória de canais (até 8 canais), todas as arquiteturas degradaram em paralelo.

Significância e Alegações

O artigo argumenta que, para a neurorreabilitação adaptativa, a propriedade clinicamente relevante de uma BCI não é um ganho marginal na acurácia geral, mas a capacidade de decompor a atividade em níveis acionáveis.

• Ativação Progressiva: A estrutura hierárquica permite que o sistema forneça feedback em cada nível de dificuldade. Um paciente que não consegue distinguir esquerda de direita ainda pode receber feedback acionável sobre se está tentando um movimento de mão ou de pé.
• Utilidade da Informação Parcial: Os resultados demonstram que o "sinal utilizável" está concentrado nos níveis mais grosseiros da hierarquia. Isso permite que o sistema permaneça funcional para pacientes que só conseguem expressar intenções amplas.
• Relato Honesto: O autor enfatiza que a cascata não oferece superioridade em robustez à perda de canais ou acurácia estatisticamente superior. Seu valor reside na estrutura do processo de decisão, que se alinha com a realidade clínica da recuperação progressiva e do controle motor parcial.

Em conclusão, o autor recomenda que as BCIs de neurorreabilitação adaptativa sejam avaliadas não apenas pela acurácia de decisão, mas pela decomponibilidade e pela estrutura de dificuldade, pois esses fatores determinam a utilidade do sistema para pacientes com variadas capacidades residuais.