Task- and Metric-Specific Signal Quality Indices for Medical Time Series

1. Planteamiento del Problema

El uso generalizado de dispositivos de salud portátiles y móviles ha incrementado masivamente la disponibilidad de series temporales fisiológicas (como ECG y PPG). Sin embargo, estas señales son propensas a artefactos de medición (ruido por movimiento, pérdida de contacto del sensor, interferencia ambiental), lo que genera segmentos de datos poco fiables.

El problema central identificado por los autores es que la mayoría de los Índices de Calidad de Señal (SQI) existentes son agnósticos a la tarea. Esto significa que evalúan propiedades genéricas de la señal sin considerar:

• El algoritmo específico que procesará la señal (ej. un detector de picos R vs. un clasificador de fibrilación auricular).
• La métrica de rendimiento específica utilizada (ej. precisión vs. F1-score).

Una señal puede ser de alta calidad para una tarea (ej. detección de picos R) pero inútil para otra (ej. clasificación de arritmias), o ser aceptable bajo una métrica tolerante pero inaceptable bajo una estricta. Por tanto, se necesita un enfoque que defina la calidad de la señal relativa tanto al algoritmo como a la métrica de evaluación.

2. Metodología Propuesta: pSQI

Los autores proponen un nuevo índice llamado pSQI (Perturbation-based Signal Quality Index), que es específico de la tarea y la métrica, y no requiere datos etiquetados para su entrenamiento.

A. Formalización de Requisitos

Se definen dos propiedades deseables para un SQI efectivo:

1. Monotonía: El valor esperado de la métrica de rendimiento debe aumentar estrictamente a medida que aumenta el valor del SQI.
2. Maximización del Margen de Separación: El SQI debe permitir un umbral de corte que maximice la diferencia entre el rendimiento promedio de las muestras "buenas" (SQI alto) y las "malas" (SQI bajo).

B. Definición del pSQI

El pSQI se define como el peor caso del valor de la métrica de rendimiento cuando la señal de entrada se somete a una perturbación controlada.

• Mecanismo: Se añade ruido gaussiano coloreado (filtrado) a la señal original.
• Optimización: Se busca la perturbación que minimice la métrica de rendimiento ($h$) sujeta a restricciones de Relación Señal-Ruido (SNR):
  • SNR Global: Limita la potencia total del ruido añadido.
  • SNR Local: Limita la potencia del ruido en cada muestra individual para evitar que el ruido se concentre solo en unos pocos puntos.
• Algoritmo: Dado que el algoritmo médico y la métrica pueden no ser diferenciables, se utiliza la estrategia evolutiva de adaptación de la matriz de covarianza (CMA-ES) para resolver el problema de optimización y encontrar la perturbación adversa.

La fórmula básica es:
$$q(x) = \min_{\theta} h(f(p_\theta(x)), f(x))$$
Sujeto a restricciones de SNR global y local.

3. Contribuciones Clave

1. Formalización Teórica: Se establece una definición rigurosa de la calidad de la señal como un concepto dependiente de la tarea y la métrica, definiendo requisitos formales (monotonía y separación).
2. Nuevo Método sin Etiquetas (Label-free): El pSQI no requiere un conjunto de datos etiquetado para entrenar un modelo de clasificación o regresión. Evalúa la calidad basándose en la sensibilidad intrínseca del algoritmo objetivo a perturbaciones.
3. Marco de Evaluación: Se introducen benchmarks objetivos para comparar SQIs basados en su capacidad para predecir la degradación del rendimiento de un algoritmo específico.

4. Resultados Experimentales

El pSQI se evaluó en tres benchmarks utilizando datos reales de ECG y PPG, comparándolo contra SQIs basados en características (fSQI) y SQIs basados en aprendizaje profundo (dSQI).

• Benchmarks:
  1. Detección de picos R (ECG).
  2. Clasificación de Fibrilación Auricular (AF) basada en ECG.
  3. Clasificación de AF basada en PPG.
• Comparación:
  • Monotonía: El pSQI mostró una correlación de Spearman perfecta (1.00) con la métrica de rendimiento en la detección de picos R, superando significativamente a los métodos basados en aprendizaje (dSQI: 0.79) y características (fSQI: -0.41).
  • Margen de Separación ($\Delta^*$): El pSQI obtuvo consistentemente los márgenes de separación más altos en todos los casos, indicando una mejor capacidad para distinguir entre entradas fiables y no fiables.
    • Ejemplo en Detección de Picos R: pSQI (0.185) vs. dSQI (0.035) vs. fSQI (0.033).
    • Ejemplo en AF (ECG): pSQI (0.369) vs. dSQI (0.086).
• Análisis de Casos: En un caso de estudio, el pSQI identificó correctamente una señal con picos R visibles para un humano pero que el algoritmo automático fallaba (debido a falsos positivos en ondas T), asignándole una baja calidad. Los otros SQIs fallaron al clasificarla como de alta calidad.
• Sensibilidad a Hiperparámetros: Se analizó el impacto del SNR global y local. Se encontró que tareas que dependen de características robustas (picos R) toleran más ruido global, mientras que tareas basadas en características finas (ondas P en PPG) requieren configuraciones de ruido más específicas.

5. Significado y Conclusión

El trabajo demuestra que la calidad de la señal no es una propiedad intrínseca absoluta, sino relativa al algoritmo y la métrica de uso.

• Ventaja Principal: El pSQI ofrece un método robusto y generalizable para filtrar datos médicos sin necesidad de costosas anotaciones manuales para entrenar modelos de calidad.
• Impacto: Permite a los sistemas de salud automatizados rechazar o marcar segmentos de datos donde el algoritmo de diagnóstico es propenso a fallar, mejorando la seguridad clínica.
• Limitaciones Futuras: El método actual implica un costo computacional elevado debido a la optimización iterativa (CMA-ES) y carece de garantías matemáticas teóricas absolutas. Futuras investigaciones buscarán optimizar este proceso para algoritmos diferenciables y validar las asunciones teóricas.

En resumen, el pSQI representa un avance significativo hacia sistemas de procesamiento de señales médicas más inteligentes y adaptativos, capaces de auto-evaluar su propia fiabilidad en tiempo real.