💻 ciência da computação

Hybrid Optuna and Q Learning for Adaptive Hyperparameter Optimization in EEG Seizure Classification

Este artigo propõe uma estrutura híbrida combinando Optuna e Q-learning para otimizar adaptativamente hiperparâmetros em um modelo GRU–HiBERT–MLP para classificação de crises epilépticas em EEG, alcançando 93,10% de acurácia e estabilidade de convergência aprimorada, ao mesmo tempo em que incorpora SHAP e LIME para suporte à decisão clínica explicável.

Autores originais: Upendra Kumar Swain, Shreela Dash, Asit Kumar Das

Publicado 2026-11-06

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Upendra Kumar Swain, Shreela Dash, Asit Kumar Das

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O cérebro humano é uma vasta rede de sinais elétricos, disparando constantemente em padrões que ditam tudo, desde um pensamento até um movimento. Quando essa atividade elétrica se torna caótica e descontrolada, pode levar à epilepsia, uma condição em que convulsões súbitas interrompem a vida de uma pessoa. Para compreender e gerir esses eventos, os médicos dependem da eletroencefalografia, ou EEG, um método não invasivo que coloca sensores no couro cabeludo para registar o ritmo elétrico do cérebro. O desafio reside na enorme complexidade destes sinais; eles são ruidosos, mudam rapidamente e variam drasticamente de pessoa para pessoa. Durante décadas, investigadores tentaram usar programas de computador para detetar automaticamente a diferença entre um cérebro que está prestes a ter uma convulsão e um que está a tê-la no momento. Embora a inteligência artificial moderna tenha feito grandes progressos na leitura destes sinais, os próprios computadores são frequentemente instáveis. A sua capacidade de aprendizagem depende fortemente de um conjunto de configurações internas, tal como os botões de um rádio complexo. Se estes botões não forem ajustados para a posição exata, o computador pode perder uma convulsão ou levantar um alarme falso. Encontrar a combinação perfeita destas configurações é difícil porque existem tantas delas, e testar todas as possibilidades exige uma enorme quantidade de tempo e poder de computação.

Num novo estudo, investigadores da Universidade de Silicon e da Universidade SRM desenvolveram uma forma mais inteligente de ajustar estas configurações, visando tornar a deteção de convulsões mais fiável. Eles focaram-se num tipo específico de arquitetura de inteligência artificial que combina diferentes técnicas de aprendizagem para analisar dados de EEG. Em vez de deixarem um computador adivinhar aleatoriamente as melhores configurações ou depender de um único método para as encontrar, a equipa criou um sistema híbrido que funde duas abordagens distintas. Uma abordagem é um método estatístico que reduz eficientemente a procura por boas configurações, enquanto a outra é uma técnica de aprendizagem que adapta a sua estratégia com base em sucessos e falhas passados. Ao ensinar estes dois métodos a trabalhar em conjunto, os investigadores criaram um sistema que consegue navegar pelo complexo panorama de configurações de forma mais eficaz do que qualquer um dos métodos isoladamente.

A equipa testou o seu novo sistema utilizando uma grande coleção de ondas cerebrais registadas de crianças com epilepsia, um conjunto de dados que tem sido um recurso padrão para este tipo de investigação. Primeiro, limparam os sinais brutos e dividiram-nos em componentes específicos de tempo-frequência, traduzindo essencialmente o ruído elétrico confuso num formato que o computador pudesse compreender claramente. Depois, introduziram estes dados no seu modelo cerebral construído à medida, que utiliza camadas de processamento para identificar padrões associados aos momentos imediatamente anteriores a uma convulsão e aos momentos durante uma convulsão. O cerne da sua inovação foi o otimizador híbrido, que atuou como um guia para o modelo. À medida que o modelo era treinado, este guia ajustava constantemente os botões internos, aprendendo quais os ajustes que levavam a melhores resultados e quais levavam a becos sem saída.

Os resultados mostraram que esta abordagem combinada foi significamente mais eficaz do que o uso de cada método em isolamento. O sistema híbrido alcançou uma precisão de classificação de 93,10%, o que significa que identificou corretamente o estado do cérebro em mais de nove em cada dez casos. Também produziu uma pontuação de 0,9774 numa escala que mede quão bem o sistema consegue distinguir entre os dois estados, uma figura que superou o desempenho dos métodos independentes. Para além dos números finais, o estudo observou que o sistema híbrido aprendeu mais rapidamente e se estabilizou nas melhores configurações de forma mais constante. Os métodos independentes frequentemente vacilavam, demorando mais tempo a encontrar uma solução estável ou ficando presos em configurações menos ótimas. O novo sistema, pelo contrário, moveu-se em direção à melhor solução com maior velocidade e consistência.

Para garantir que o computador não estava apenas a adivinhar corretamente por acaso, os investigadores também olharam para dentro do modelo para ver ao que é que ele estava a prestar atenção. Utilizando ferramentas concebidas para tornar a inteligência artificial transparente, identificaram quais as partes dos sinais cerebrais que eram mais influentes na decisão final. Estas ferramentas confirmaram que o modelo estava a focar-se em padrões significativos nos dados, em vez de ruído aleatório. Este passo é crucial para aplicações médicas, pois os médicos precisam de confiar que o diagnóstico de um computador se baseia em evidências fisiológicas reais. O estudo descobriu que as decisões do modelo eram, de facto, impulsionadas por propriedades significativas do sinal, conferindo credibilidade às suas previsões.

Os investigadores reconhecem que, embora o seu sistema tenha tido um bom desempenho no conjunto de dados específico que utilizaram, este ainda não foi testado numa variedade mais ampla de pacientes ou num ambiente clínico em tempo real. O trabalho atual é uma prova de conceito que demonstra o potencial de combinar diferentes estratégias de otimização para melhorar a forma como as máquinas aprendem a partir de sinais cerebrais. Eles sugerem que o trabalho futuro poderá envolver o teste do sistema em grupos de pessoas maiores e mais diversificadas, bem como o refinamento do processo para que possa ser executado rapidamente o suficiente para monitorização em tempo real. Por agora, o estudo oferece um caminho promissor, mostrando que, ao ensinar a inteligência artificial a ser mais adaptável na forma como aprende, podemos construir ferramentas que estejam melhor equipadas para ajudar a gerir as complexidades da epilepsia.

Resumo Técnico: Optuna e Q-Learning Híbridos para Otimização Adaptativa de Hiperparâmetros em Classificação de Crises de EEG

Definição do Problema
A classificação de crises epilépticas utilizando sinais de eletroencefalograma (EEG) é crítica para o diagnóstico neurológico automatizado. Embora modelos de aprendizado profundo (como CNNs, LSTMs e Transformers) tenham melhorado o desempenho, sua eficácia depende fortemente da seleção eficiente de hiperparâmetros (ex: taxas de aprendizado, unidades ocultas, cabeças de atenção). Estruturas existentes, particularmente aquelas que utilizam otimização Bayesiana (Optuna) com arquiteturas GRU–HiBERT–MLP, frequentemente enfrentam limitações quanto ao comportamento de busca adaptativa, estabilidade de convergência e o equilíbrio entre exploração e explotação em espaços de busca de alta dimensionalidade. Por outro lado, abordagens de Aprendizado por Reforço (RL) isoladas podem apresentar uma convergência mais lenta. Este artigo aborda a necessidade de uma estratégia de otimização mais robusta que combine a eficiência probabilística dos métodos Bayesianos com as capacidades de tomada de decisão adaptativa do RL para melhorar a classificação de crises de EEG.

Metodologia
O framework proposto integra uma estratégia de otimização Híbrida Optuna–Q Learning com uma arquitetura de classificação GRU–HiBERT–MLP.

Pré-processamento de Dados:
- O estudo utiliza o Banco de Dados de Scalp EEG CHB-MIT Pré-processado, composto por registros de 24 pacientes pediátricos.
- Os sinais são segmentados em estados préictal e ictal.
- A Transformada Wavelet Discreta (DWT) usando wavelets de Daubechies (db4) é aplicada para extrair características tempo-frequência, lidando com a natureza não estacionária do EEG.
- As características são padronizadas usando StandardScaler e remodeladas para processamento sequencial.
Arquitetura de Classificação (GRU–HiBERT–MLP):
- Camada GRU: Captura dependências temporais em sinais de EEG multicanais.
- Bloco HiBERT (Transformer): Aplica mecanismos de autoatenção de múltiplas cabeças para o aprendizado de representação contextual.
- Camada MLP: Camadas densas totalmente conectadas com regularização de dropout para classificação binária (préictal vs. ictal).
Framework de Otimização Híbrida:
- Optuna (Bayesiana): Utiliza Estimadores de Parzen Estruturados em Árvore (TPE) para amostrar probabilisticamente configurações de hiperparâmetros ( $\theta$ ) com base em observações históricas.
- Q-Learning (Aprendizado por Reforço): Um agente guia dinamicamente o processo de busca.
  - Estado ( $s_t$ ): Condição atual de otimização.
  - Ação ( $a_t$ ): Estratégias de refinamento adaptativo de hiperparâmetros.
  - Recompensa ( $r_t$ ): Calculada como a melhoria na acurácia de validação ( $Acc_t - Acc_{t-1}$ ).
- Integração: O agente Q-learning atualiza sua tabela Q usando aprendizado de diferença temporal para refinar a orientação da busca. Ele direciona adaptativamente a busca do Optuna para regiões promissoras, mitigando a convergência prematura e melhorando a estabilidade.

Principais Contribuições

Framework de Otimização Híbrida: Propõe uma integração inovadora de otimização Bayesiana (Optuna) e Aprendizado por Reforço (Q-learning) para melhorar a eficiência da sintonia de hiperparâmetros e a estabilidade da convergência para modelos profundos de EEG.
Aplicação de Arquitetura: Implementa uma arquitetura GRU–HiBERT–MLP otimizada pelo framework híbrido para classificação préictal e ictal utilizando características transformadas por wavelet.
Validação Comparativa: Demonstra, através de estudos de ablação, que a abordagem híbrida supera as estratégias de Optuna isolado e Q-learning isolado em acurácia, ROC-AUC e velocidade de convergência.
Explicabilidade: Incorpora técnicas LIME para identificar características de EEG influentes, aumentando a transparência e a interpretabilidade clínica das previsões do modelo.

Resultados Experimentais
Experimentos foram conduzidos no conjunto de dados CHB-MIT com uma divisão de treino-teste de 80:20. O framework proposto alcançou os seguintes resultados em comparação com os métodos de linha de base:

Acurácia de Classificação: 93,10% (vs. 92,00% para apenas Optuna e 91,51% para apenas Q-learning).
Pontuação ROC-AUC: 0,9774 (vs. 0,9710 para apenas Optuna).
Comportamento de Convergência: O modelo híbrido demonstrou convergência mais rápida e maior estabilidade entre os ensaios, com curvas de perda de treinamento/validação mais suaves e um menor gap entre elas em comparação aos métodos isolados.
Matriz de Confusão: Mostrou uma redução significativa de falsos negativos, uma métrica crítica para a segurança médica na detecção de crises.
Hiperparâmetros Ótimos: O framework identificou valores específicos ideais, incluindo 192 unidades GRU, 2 cabeças de atenção, uma dimensão feed-forward de 256 e uma taxa de aprendizado de $1,02 \times 10^{-4}$ .

Significância e Alegações
O artigo alega que a integração da exploração adaptativa baseada em aprendizado por reforço com a otimização de hiperparâmetros Bayesiana fornece uma estratégia superior para navegar em espaços de busca complexos e de alta dimensionalidade na classificação profunda de EEG. Os autores afirmam que esta abordagem híbrida equilibra efetivamente a exploração e a explotação, levando a:

Melhor Estabilidade: Redução da sensibilidade às flutuações de hiperparâmetros e uma convergência mais estável.
Melhor Utilidade Clínica: Acurácia mais alta e menores taxas de falsos negativos tornam o sistema mais confiável para o monitoramento e detecção automatizada de crises.
Interpretabilidade: O uso de LIME garante que as decisões do modelo sejam explicáveis, o que é vital para sistemas de suporte à decisão clínica.

Limitações e Trabalho Futuro
Os autores reconhecem que o estudo está atualmente limitado ao banco de dados CHB-MIT pré-processado e à classificação binária (préictal vs. ictal). Eles observam que a abordagem híbrida introduz maior complexidade computacional. O trabalho futuro é proposto para validar o framework em conjuntos de dados maiores e multicêntricos, estendê-lo para análise de crises multiclasse e explorar técnicas de otimização leves para implantação em tempo real.

Mais como este