Real-Time Cognitive State Decoding from EEG Using a Hybrid Quantum--Classical Neural Framework

Resumo Técnico: Decodificação de Estado Cognitivo em Tempo Real a partir de EEG Usando uma Estrutura Neural Híbrida Quântico-Clássica

Definição do Problema
A decodificação precisa de estados cognitivos a partir de sinais de eletroencefalografia (EEG) é dificultada por desafios inerentes ao sinal, incluindo altos níveis de ruído, não estacionariedade, baixas relações sinal-ruído e significativa variabilidade inter e intra-sujeito. Embora os métodos tradicionais de aprendizado de máquina (ex: SVMs) ofereçam baixa latência, eles têm dificuldade em modelar a complexa dinâmica não linear do EEG. Por outro lado, modelos de aprendizado profundo (ex: CNNs, LSTMs) melhoram a precisão, mas frequentemente exigem grandes conjuntos de dados, recursos computacionais substanciais e incorrem em latências de inferência que excedem as restrições de aplicações de Interface Cérebro-Computador (BCI) em tempo real. Além disso, as estruturas de EEG quântico existentes (como quEEGNet e QEEGNet) concentraram-se primordialmente no desempenho offline ou em simulação, carecendo de relatos de latência de inferência de ponta a ponta e de pipelines prontos para implantação adequados para operação em tempo real.

Metodologia: A Estrutura QNeuroGen
Os autores propõem o QNeuroGen, uma arquitetura de aprendizado híbrida quântico-clássica projetada para classificação de estado cognitivo multiclasse em tempo real. O sistema opera como um pipeline modular e treinável de ponta a ponta composto por quatro estágios:

1. Pré-processamento Clássico: Os dados de EEG do conjunto de dados DEAP (32 sujeitos, 14 canais, 128 Hz) passam por filtragem passa-banda (1–40 Hz), remoção de artefatos via Análise de Componentes Independentes (ICA) e segmentação em janelas de 1 segundo com 50% de sobreposição. As características são padronizadas para média zero e variância unitária.
2. Codificação de Características Quânticas: Vetores de características de EEG normalizados são mapeados em um espaço de Hilbert de alta dimensão usando codificação de amplitude. Para capturar explicitamente as características de frequência no domínio oscilatório, uma Transformada de Fourier Quântica (QFT) é aplicada aos estados codificados.
3. Circuito Quântico Variacional (VQC): Os estados codificados são processados por um VQC raso e parametrizado. Este circuito consiste em portões de rotação de qubit único treináveis ($R_x, R_y, R_z$) e operações de emaranhamento (CNOT ou CZ). O VQC atua como um mapeador de características não linear, transformando características clássicas em uma representação quântica capaz de capturar correlações de ordem superior.
4. Inferência Neural Clássica: Valores de expectativa de observáveis predefinidos são medidos para gerar um vetor de características compacto derivado do quantum. Este vetor é alimentado em uma rede neural feedforward clássica leve (três camadas densas com ativações ReLU e uma saída softmax) para classificação final.

Treinamento e Otimização
A estrutura utiliza uma estratégia de treinamento diferenciável de ponta a ponta. Os pesos da rede clássica são otimizados via backpropagation padrão, enquanto os parâmetros do circuito quântico são atualizados usando a regra de deslocamento de parâmetro (parameter-shift rule) para estimativa exata de gradiente. O modelo é treinado usando o otimizador Adam com parada antecipada (early stopping), empregando uma função de perda de entropia cruzada regularizada.

Principais Contribuições
O artigo delineia sete contribuições primárias:

1. Arquitetura Híbrida: Um pipeline treinável de ponta a end-to-end, consciente da latência, que integra extração de características potencializada por quantum com inferência clássica leve, restringido aos limites de execução da era NISQ.
2. Codificação Adaptável à Tarefa: Um codificador quântico parametrizado usando codificação de amplitude e de rotação para representar dependências espectrais-temporais complexas.
3. Design de VQC Raso: Um módulo de aprendizado de representação discriminativa usando rotações treináveis e emaranhamento, otim-imizado para dispositivos quânticos de escala intermediária ruidosa (NISQ).
4. Treinamento Diferenciável: Uma estratégia de otimização coordenada combinando gradientes de deslocamento de parâmetro com backpropagation.
5. Implantação em Tempo Real: Um sistema de inferência conteinerizado (Docker) com uma API REST, alcançando execução de baixa latência.
6. Avaliação Abrangente: Benchmarking extensivo contra baselines clássicos e de aprendizado profundo sob condições idênticas.
7. Reprodutibilidade: Um pipeline de pesquisa modular e extensível projetado para futuras pesquisas em neurotecnologia.

Resultados Experimentais
Os experimentos foram conduzidos no conjunto de dados DEAP, visando quatro estados cognitivos: Carga de Trabalho (Workload), Atenção, Relaxamento e Estresse.

• Precisão de Classificação: O QNeuroGen alcançou uma precisão média de 89,2% (±1,2%), superando o baseline mais forte, uma Rede Neural Convolucional (CNN), por uma margem absoluta de 12,1%. Também superou significativamente o SVM (68,4%) e o LSTM (74,3%).
• Latência de Inferência: O sistema alcançou uma latência de inferência de ponta a ponta de 48 ms, satisfazendo o limiar de tempo real de <50 ms. Isso é notavelmente mais rápido que os baselines CNN (72 ms) e LSTM (81 ms), apesar da inclusão de etapas de simulação quântica.
• Estudos de Ablação: A remoção do VQC ou da QFT resultou em degradação significativa da precisão (caindo para 82,9% e 84,6%, respectivamente), confirmando que os ganhos de desempenho advêm da representação de características potencializada por quantum e não do aumento da complexidade do modelo clássico.
• Eficiência: O modelo utilizou aproximadamente $10^5$ parâmetros treináveis, uma ordem de magnitude a menos que os baselines de aprendizado profundo ($10^6$), enquanto rodava em uma CPU com um backend de simulador quântico.

Significância e Alegações
O artigo afirma que o QNeuroGen aborda lacunas críticas na literatura de decodificação de EEG ao alcançar simultaneamente alta precisão preditiva e viabilidade operacional em tempo real. Ao contrário de estudos anteriores de EEG quântico que focam em avaliação offline, este trabalho demonstra um pipeline pronto para implantação. Os autores asseguram que a estrutura aproveita com sucesso a superposição e o emaranhamento quânticos para criar representações de características mais ricas que capturam dinâmicas não lineares de EEG de forma mais eficaz do que métodos clássicos, sem incorrer no overhead computacional típico do aprendizado profundo. Os resultados sugerem que modelos híbridos quântico-clássicos oferecem um caminho viável para sistemas neuroadaptativos de próxima geração em tempo real, equilibrando o trade-off entre precisão e latência.

Limitações
Os autores reconhecem que os componentes quânticos foram avaliados usando simuladores de estado vetorial (statevector) em vez de hardware quântico físico, o que significa que o desempenho em dispositivos NISQ reais, com diferentes características de ruído, ainda precisa ser verificado. Além disso, embora o modelo tenha performado bem no conjunto de dados específico, a generalização entre sujeitos e entre diferentes conjuntos de dados é identificada como uma área para investigações futuras.