Electrocardiogram Classification with Transformers Using Koopman and Wavelet Features

Este trabajo demuestra que el uso de características derivadas del operador de Koopman mediante una descomposición dinámica de modos extendida (EDMD) con un diccionario de funciones de base radial optimizado, combinadas con transformadores, supera a los enfoques basados en wavelets y sistemas híbridos para la clasificación multiclase de electrocardiogramas, ofreciendo además insights interpretables sobre las dinámicas aprendidas.

Lo esencial

¡Hola! Imagina que el corazón es como un orquesta muy compleja. Cada latido es una nota musical, y cuando todo está bien, la música es suave y rítmica. Pero si hay un problema cardíaco, es como si un violinista empezara a tocar fuera de tono o si el ritmo se volviera caótico.

Los médicos necesitan escuchar esta "música" (el electrocardiograma o ECG) para diagnosticar problemas, pero hacerlo manualmente es lento y difícil. Los científicos intentan enseñar a las computadoras a escuchar y diagnosticar, pero el corazón es tan variable que las computadoras a veces se confunden.

Este artículo presenta una nueva forma de enseñar a las computadoras a entender el corazón, combinando dos ideas muy interesantes: los "Transformers" (una tecnología de Inteligencia Artificial muy potente) y una teoría matemática llamada Operador de Koopman.

Aquí te lo explico paso a paso con analogías sencillas:

1. El Problema: ¿Cómo escuchar el corazón?

Antes, las computadoras intentaban escuchar el corazón de dos formas principales:

• Método tradicional (Ondecitas): Usaban una herramienta llamada "Transformada Wavelet". Imagina que esto es como tener un microscopio que te permite ver los detalles pequeños de la música: los picos agudos, los bajones suaves y los cambios rápidos. Funciona muy bien para decir: "¿Está el corazón normal o no?".
• Método nuevo (Koopman): Aquí entra la magia matemática. Imagina que el corazón es un sistema no lineal (caótico). La teoría de Koopman es como subir a un globo aerostático. Desde el suelo (el nivel del corazón), todo parece desordenado. Pero si subes al globo (un espacio matemático de mayor dimensión), de repente ves que el caos sigue un patrón lineal y predecible. Esto permite ver la "estructura oculta" de cómo se mueve el corazón en el tiempo.

2. La Experimentación: ¿Qué probaron?

Los autores tomaron miles de registros de corazones reales (de una base de datos pública llamada MIMIC-IV) y probaron cuatro estrategias para ver cuál funcionaba mejor:

1. Solo Microscopio (Wavelet + Transformer): Usaron solo los detalles finos de la señal.
2. Solo Globo (Koopman + Transformer): Usaron solo la visión de "alto nivel" de la dinámica del corazón.
3. La Mezcla (Híbrido): Intentaron pegar los datos del microscopio y los del globo juntos antes de dárselos a la computadora.
4. El Globo Ajustado (Koopman Refinado): Volvieron a usar el globo, pero esta vez ajustaron muy cuidadosamente los instrumentos de medición (los parámetros matemáticos) para que la visión fuera perfecta.

3. Los Resultados: ¿Qué pasó?

Aquí viene la parte divertida, porque los resultados no fueron lo que esperaban:

• Para decir "Normal vs. Anormal" (Binario): El Microscopio (Wavelet) ganó. Es excelente para detectar si algo está "raro" de forma general.
• Para decir "Qué tipo de problema es" (4 Clases): Aquí el Globo (Koopman) brilló. Cuando necesitaban distinguir entre Fibrilación Auricular, Arritmia Ventricular y Bloqueos, la visión de "alto nivel" de Koopman fue mucho mejor. Entendió mejor la "personalidad" de cada enfermedad.
• La Mezcla (Híbrido): ¡Fue un desastre! Poner los dos datos juntos sin más confundió a la computadora. Fue como intentar escuchar una orquesta mientras alguien te grita instrucciones al oído; el ruido hizo que el rendimiento bajara.
• El Ganador (Koopman Ajustado): Cuando los científicos ajustaron los parámetros del método Koopman (como afinar un instrumento musical), ¡fue el campeón! Superó a todos los demás, incluso al método tradicional.

4. La Reconstrucción: ¿Por qué confiamos en esto?

Una de las cosas más geniales que hicieron fue intentar reconstruir el latido del corazón usando solo la matemática de Koopman.
Imagina que tomas una foto borrosa de un coche en movimiento y tratas de reconstruir el coche entero solo con las matemáticas de su velocidad. Si logras dibujar un coche perfecto, significa que entendiste la física del movimiento.
En el papel, lograron reconstruir la forma de onda del corazón (las picos P, QRS y T) casi idéntica a la original. Esto les dijo: "¡Sí! Esta matemática realmente entiende cómo late el corazón, no solo está adivinando".

5. Conclusión: ¿Qué aprendimos?

• No siempre "más es mejor": Juntar dos técnicas potentes (Wavelet y Koopman) no siempre mejora el resultado; a veces se interfieren entre sí.
• El ajuste lo es todo: La teoría matemática de Koopman es increíblemente poderosa para entender la dinámica del corazón, pero necesita ser "afinada" cuidadosamente (elegir las herramientas matemáticas correctas) para funcionar.
• El futuro: Combinar la inteligencia artificial moderna (Transformers) con la teoría de sistemas dinámicos (Koopman) es una promesa enorme. Podría ayudar a crear diagnósticos más rápidos, precisos y explicables (sabemos por qué la computadora tomó la decisión, porque podemos ver la "estructura" matemática detrás).

En resumen: Los autores descubrieron que, para entender la compleja "música" del corazón, a veces es mejor subir a un globo aerostático matemático (Koopman) y afinar bien los instrumentos, en lugar de solo mirar los detalles desde el suelo o mezclar todo sin orden. ¡Y eso funcionó mejor que todo lo que habían probado antes!

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "Electrocardiogram Classification with Transformers Using Koopman and Wavelet Features", presentado en español:

1. Planteamiento del Problema

El análisis del electrocardiograma (ECG) es fundamental para la detección de anomalías cardíacas. Sin embargo, la clasificación automatizada robusta es un desafío debido a la complejidad y variabilidad de las señales fisiológicas.

• Limitaciones actuales: Los métodos tradicionales dependen de características manuales (tiempo-frecuencia), mientras que los modelos de aprendizaje profundo (CNNs, RNNs) aunque potentes, a menudo carecen de interpretabilidad y tienen dificultades para capturar la dinámica fisiológica subyacente de manera eficiente.
• Brecha de investigación: Aunque los transformadores (Transformers) han demostrado ser state-of-the-art para secuencias temporales, y las técnicas de sistemas dinámicos como el operador de Koopman ofrecen un marco para linealizar sistemas no lineales, la combinación de características basadas en el operador de Koopman con arquitecturas Transformers para la clasificación de ECG no había sido explorada previamente.

2. Metodología

Los autores proponen un pipeline que integra la teoría de sistemas dinámicos con modelos de atención profunda, utilizando el conjunto de datos MIMIC-IV-ECG.

Enfoque Principal: Características de Koopman

• Descomposición de Modo Dinámico Extendida (EDMD): Se utiliza EDMD para aproximar el operador de Koopman. Este operador reformula la dinámica no lineal como la evolución de observables en un espacio de funciones de dimensión infinita, permitiendo un análisis lineal.
• Diccionario de Funciones: Se emplea un diccionario de Funciones de Base Radial (RBF) para levantar los datos a un espacio de características de mayor dimensión.
• Extracción de Características: Se derivan los autovalores y autovectores (espectro) del operador aproximado. Las características utilizadas incluyen componentes reales e imaginarios, magnitud y tasas de crecimiento, que se alimentan como "tokens" a un Transformer.
• Reconstrucción: El marco permite reconstruir la señal ECG a partir de modos dominantes, validando que el operador captura la dinámica esencial (ondas P, QRS, T).

Comparativas y Configuración

Se evaluaron cuatro variantes principales frente a un baseline de RNN entrenado con ECGs crudos:

1. Wavelet + Transformer: Uso de transformada wavelet discreta para obtener representaciones tiempo-frecuencia.
2. Koopman + Transformer: Uso de características EDMD con RBF.
3. Híbrido (Wavelet + Koopman) + Transformer: Concatenación de ambas características antes del codificador Transformer.
4. Koopman + Transformer (Refinado): La misma configuración que la (2), pero con un ajuste fino (ablation study) de los hiperparámetros de EDMD (dimensión de embedding, número de centros RBF, ancho de kernel, truncamiento espectral).

Tareas de Clasificación

1. Binaria: Normal vs. No Normal.
2. Cuatro Clases: Normal, Fibrilación Auricular (AFib), Arritmia Ventricular y Bloqueo de Conducción.

3. Contribuciones Clave

1. Estudio Sistemático: Primera evaluación exhaustiva de características basadas en Koopman combinadas con Transformers para clasificación de ECG.
2. Benchmarking: Comparación rigurosa contra baselines de wavelets y RNNs, aclarando los puntos fuertes de cada enfoque.
3. Mejora de Extracción de Características: Demostración de que el ajuste principiado de los hiperparámetros de EDMD (específicamente el diccionario RBF) es crítico para el rendimiento, superando a los sistemas híbridos simples.
4. Interpretabilidad: Análisis de reconstrucción y espectro de autovalores para ofrecer insights sobre los patrones dinámicos aprendidos (ej. modos oscilatorios asociados a ritmos cardíacos).

4. Resultados Experimentales

Los resultados se midieron mediante la puntuación F1 en un conjunto de prueba retenido (promedio de 5 ejecuciones):

Método	Clasificación Binaria (F1)	Clasificación 4 Clases (F1)
Wavelet + Transformer	0.750 ± 0.02	0.700 ± 0.03
Koopman + Transformer (Inicial)	0.697 ± 0.01	0.771 ± 0.02
Híbrido (Wavelet + Koopman)	0.677 ± 0.01	0.533 ± 0.02
Koopman + Transformer (Refinado)	0.786 ± 0.01	0.764 ± 0.02
RNN (Baseline Crudo)	0.782 ± 0.01	0.700 ± 0.02

Hallazgos Críticos:

• Rendimiento Binario: Las características Wavelet son superiores para la detección binaria (Normal vs. Anormal), probablemente debido a su capacidad para capturar eventos transitorios y estructura tiempo-frecuencia local.
• Rendimiento Multiclase: Las características Koopman superan a las wavelets en la clasificación de 4 clases, sugiriendo que los modos dinámicos del operador de Koopman capturan mejor las diferencias sutiles entre subtipos de arritmias.
• Fallo del Enfoque Híbrido: La simple concatenación de características (Híbrido) degradó el rendimiento en ambas tareas. Esto indica que las representaciones de wavelet y Koopman pueden capturar información parcialmente superpuesta o ruidosa cuando se combinan sin una estrategia de fusión avanzada (como mecanismos de atención).
• Importancia del Ajuste (Ablation): El sistema Koopman + Transformer refinado logró el mejor rendimiento global (F1 = 0.786 en binaria y 0.764 en 4 clases), superando tanto al baseline de wavelets como al híbrido. Esto demuestra que la elección del diccionario EDMD (RBF con parámetros sintonizados) es el factor determinante.
• Reconstrucción: El error de reconstrucción fue bajo, preservando la morfología P-QRS-T y la sincronización batido a batido, validando la adecuación de las características aprendidas.

5. Significado y Conclusión

El trabajo demuestra que la integración de la teoría de sistemas dinámicos (Koopman/EDMD) con arquitecturas modernas de Transformers es una vía prometedora para la clasificación de señales biomédicas.

• Interpretabilidad: A diferencia de las "cajas negras" puras, el enfoque de Koopman permite visualizar la dinámica subyacente a través de espectros de autovalores y modos, ofreciendo una ventaja clínica potencial.
• Eficiencia: Los métodos basados en características (Koopman/Wavelet) son más escalables y computacionalmente eficientes que entrenar RNNs o Transformers directamente sobre señales crudas de gran escala.
• Dirección Futura: El estudio sugiere que la fusión de características heterogéneas requiere estrategias de aprendizaje más sofisticadas (no solo concatenación) y que el ajuste fino de los parámetros de los operadores de Koopman es esencial para desbloquear su potencial en el análisis de señales biomédicas.

En resumen, el artículo establece un nuevo estado del arte para la clasificación de ECG al demostrar que, con la extracción de características adecuada, los modelos basados en Koopman pueden superar a los enfoques tradicionales de wavelets y modelos secuenciales estándar, especialmente en tareas de clasificación multiclase complejas.