An EEG Signals-based Deep Spatio-Temporal Feature Extraction with Dual Attention for Detecting Parkinson’s Disease

Resumo Técnico: Extração de Características Espaço-Temporais Profundas Baseada em Sinais de EEG com Atenção Dupla para Detecção da Doença de Parkinson

Definição do Problema
A Doença de Parkinson (DP) é um transtorno neurodegenerativo progressivo caracterizado por oscilações cerebrais irregulares que prejudicam as funções motoras e cognitivas. A detecção precoce é crítica para um manejo eficaz, mas os métodos diagnósticos atuais dependem frequentemente de neuroimagem dispendiosa (RM, fMRI) ou procedimentos invasivos. Embora a Eletroencefalografia (EEG) ofereça uma alternativa não invasiva, de baixo custo e de alta resolução temporal para o monitoramento da atividade cerebral, os modelos de diagnóstico automatizados existentes enfrentam limitações significativas. Muitos modelos atuais focam exclusivamente na dinâmica temporal ou na dinâmica de canais, falhando em separar adequadamente os componentes espaciais discriminativos do sinal. Além disso, muitos modelos carecem de mecanismos especializados para focar seletivamente na variabilidade espacial valiosa entre os eletrodos e nas flutuações temporais ao longo das janelas de tempo, levando a uma redução na generalização e na robustez contra a variabilidade dos sensores.

Metodologia
Os autores propõem um framework de Rede EEGNet com Atenção Dupla baseada em Extração de Características Espaço-Temporais Profundas (CSFE-DAE). A metodologia integra o pré-processamento de sinais, extração de características espaciais e uma arquitetura de aprendizagem profunda com mecanismos de atenção dupla.

1. Pré-processamento e Aumento de Dados:

   • Datasets: O estudo utiliza dois conjuntos de dados públicos: o EEG de estado de repouso da UC San Diego (ds002778) para treinamento e o EEG de Parkinson da OpenNeuro (ds003490) para validação externa.
   • Pipeline: Os sinais brutos são subamostrados para 256 Hz, filtrados por passagem de banda (0,5–45 Hz), filtrados por notch para remover ruído de linha e limpos usando Análise de Componentes Independentes (ICA) para remover artefatos oculares e musculares. Os sinais são referenciados novamente usando a Referência de Média Comum (CAR) e segmentados em épocas de 2 segundos.
   • Aumento (Augmentation): Para abordar o desequilíbrio de classes e aumentar a robustez, ruído Gaussiano é injetado especificamente nas épocas de Controle Saudável (HC) durante o treinamento, equilibrando o conjunto de dados sem alterar a distribuição da DP.

2. Extração de Características Espaciais (Common Spatial Pattern - CSP):

   • Antes de alimentar os dados na rede neural, o CSP é empregado como um método de extração de características supervisionado.
   • O CSP computa matrizes de covariância para as classes DP e HC, realiza o branqueamento (whitening) e deriva filtros espaciais que maximizam a diferença de variância entre as duas classes.
   • O resultado é um conjunto de características de log-variância que enfatizam alterações específicas de bandas de frequência (ex: bandas $\beta$ e $\theta$) sobre áreas corticais relacionadas ao movimento, fornecendo uma entrada discriminativa para o classificador.

3. Arquitetura EEGNet de Atenção Dupla:

   • O classificador central é uma EEGNet modificada que processa as características extraídas pelo CSP.
   • Convolução Temporal: Extrai padrões específicos de frequência.
   • Convolução Espacial Depthwise: Modela as dependências entre canais.
   • Convolução Separável: Captura interações espaço-temporais conjuntas localizadas.
   • Mecanismo de Atenção Dupla:
     • Atenção de Canal: Utiliza o pooling médio global ao longo do tempo para aprender pontuações de importância para cada canal de EEG, suprimindo sensores ruidosos e enfatizando áreas motoras.
     • Atenção Temporal: Aplica normalização SoftMax para focar em segmentos de tempo informativos, capturando dinâmicas anormais de $\alpha$-$\beta$ ligadas à DP.
   • Função de Perda: O modelo utiliza Focal Loss ($\gamma=2.0, \alpha=0.25$) para escalar a perda dinamicamente, focando o treinamento em amostras difíceis de classificar e mitigando o desequilíbrio de classes.

Principais Contribuições
O artigo destaca quatro contribuições primárias:

1. Integração Inovadora: Este é o primeiro trabalho a combinar a extração de características assistida por CSP com uma EEGNet de Atenção Dupla especificamente para detecção de DP usando sinais de EEG.
2. Atenção de Canal: A inclusão de um mecanismo de atenção de canal permite que a rede repondere de forma adaptativa a importância dos eletrodos, focando em regiões espaciais mais relevantes para a patologia da DP.
3. Robustez via Aumento: A aplicação de aumento de ruído Gaussiano ao nível do sensor melhora a tolerância do modelo à variabilidade natural e pequenas perturbações na aquisição de EEG.
4. Validação Externa: A capacidade de generalização do modelo é rigorosamente avaliada em um conjunto de dados externo independente (OpenNeuro) não utilizado durante o treinamento.

Resultados Experimentais
O framework CSFE-DAE foi avaliado usando validação cruzada de 5 dobras no conjunto de dados UC San Diego e testado no conjunto de dados OpenNeuro.

• Desempenho: O modelo alcançou uma acurácia média de 97,59% (±0,47) no conjunto de dados interno, com uma sensibilidade de 97,5% e especificidade de 96,1%.
• Generalização: No conjunto de dados independente OpenNeuro, o modelo manteve uma acurácia de 96,0%, demonstrando forte generalização sem overfitting.
• Comparação: O método proposto superou técnicas de estado da arte existentes (incluindo CNN+SVM, GNN e EEGNet padrão) que reportaram acurácias variando de 69% a 94% no mesmo conjunto de dados. Também superou modelos de linha de base usando CSP+SVM (85,42%) e CSP+EEGNet sem atenção (90,18%).

Significância e Alegações
Os autores afirmam que o CSFE-DAE é uma ferramenta de diagnóstico competente e leve que aborda os desafios específicos da detecção de DP em dados de EEG. Ao modelar explicitamente as dependências nos domínios temporal e espacial através do mecanismo de atenção dupla, a rede torna-se mais resiliente à baixa relação sinal-ruído e à variabilidade inerente dos dados de EEG. O estudo afirma que este framework aumenta a sensibilidade aos padrões relacionados à DP enquanto suprime flutuações de fundo irrelevantes. A validação externa bem-sucedida sugere que a abordagem é generalizável além da coorte de treinamento, oferecendo um método promissor para a detecção precoce da Doença de Parkinson. O trabalho futuro é proposto para estender esta abordagem para cenários de múltiplas classes e aplicações clínicas em tempo real via aprendizagem por transferência.