sRQA: AN INTEGRATIVE PIPELINE FOR SYMBOLIC RECURRENCE QUANTIFICATION ANALYSIS

Este artículo presenta sRQA, una biblioteca de código abierto en R que unifica el análisis de recurrencia cuantitativa simbólica para caracterizar sistemas dinámicos discretos y discretizados, demostrando su eficacia en aplicaciones biomédicas y conductuales como la detección de arritmias cardíacas, el análisis de redes cerebrales y el estudio de patrones de habla.

Lo esencial

¡Hola! Imagina que tienes un sistema complejo, como tu corazón latiendo, tu cerebro pensando o alguien contando una historia. Tradicionalmente, los científicos han intentado estudiar estos sistemas mirando las ondas suaves y continuas, como si fueran una línea de montaña dibujada en un papel. Pero, ¿qué pasa si en realidad esos sistemas no son líneas suaves, sino más bien una secuencia de pasos, estados o "símbolos"?

Aquí es donde entra el sRQA, una nueva herramienta presentada en este artículo. Vamos a desglosarlo con analogías sencillas.

1. El Problema: Intentar leer un libro de código binario con una lupa para tinta líquida

Imagina que el comportamiento de tu cuerpo (un latido, una pausa al hablar, una actividad cerebral) es como una historia escrita en bloques de Lego. A veces es un bloque rojo, a veces azul, a veces verde.

• El método antiguo (RQA): Era como intentar analizar esos bloques de Lego midiendo la "suavidad" de la superficie. Funcionaba genial si tenías un río de agua (datos continuos), pero fallaba estrepitosamente con bloques de Lego (datos discretos o secuenciales).
• La solución (sRQA): Es una nueva lupa diseñada específicamente para bloques de Lego. En lugar de medir la suavidad, cuenta cómo se repiten los patrones de colores. ¿Cuántas veces aparece una secuencia "Rojo-Azul-Rojo"? ¿Cuánto tiempo se queda el sistema en un color antes de cambiar?

2. ¿Qué hace exactamente esta herramienta? (El "Kit de Supervivencia")

Los autores crearon un paquete de software gratuito (como una caja de herramientas digital) que hace tres cosas principales:

1. Traduce: Convierte datos complicados en símbolos simples (como convertir una canción en una partitura de notas).
2. Visualiza: Dibuja mapas de colores que muestran dónde se repiten los patrones (como un mapa de calor de un juego de video).
3. Cuenta: Calcula métricas matemáticas para decirte qué tan predecible, caótico o estable es el sistema.

3. Las Pruebas de Fuego: ¿Funciona en la vida real?

Los autores probaron su herramienta en cuatro escenarios muy diferentes, como si fueran cuatro misiones de espionaje:

Misión 1: El Simulador (Datos inventados)

Crearon tres tipos de "ritmos" imaginarios:

• El Caótico: Como el clima, impredecible.
• El Periódico: Como un metrónomo, perfecto y repetitivo.
• El Ruido: Como la estática de una radio vieja.
  Resultado: La herramienta sRQA pudo distinguir perfectamente entre ellos. Incluso pudo detectar el momento exacto en que el sistema "caótico" cambió a "periódico", como si tuviera un radar para cambios de comportamiento.

Misión 2: El Corazón (ECG)

Aquí intentaron detectar la Fibrilación Auricular (un latido irregular y peligroso) frente a un ritmo cardíaco normal.

• La analogía: Un corazón sano es como un tambor que marca un ritmo constante. Un corazón con fibrilación es como un tamborero borracho que golpea al azar.
• Resultado: La herramienta analizó los "latidos" convertidos en símbolos y logró identificar al "tamborero borracho" con un 92% de precisión. Es como tener un detector de mentiras para el corazón.

Misión 3: El Cerebro (fMRI)

Miraron la actividad cerebral de personas que estaban descansando vs. personas que veían una película.

• La analogía: Cuando descansas, tu cerebro es como una ciudad con tráfico aleatorio y desordenado. Cuando ves una película, tu cerebro se organiza como un ejército marchando al unísono.
• Resultado: La herramienta vio que, al ver la película, diferentes partes del cerebro (redes de atención) se coordinaron mucho mejor y siguieron patrones más predecibles. Fue como ver cómo las luces de una ciudad se sincronizan para un espectáculo.

Misión 4: La Mentira (El habla)

Analizaron las pausas en el habla de personas contando historias verdaderas o falsas (mentiras).

• La analogía: Imagina que las pausas son los silencios entre notas de música.
  • Verdad: Las pausas son como una melodía natural, con un flujo orgánico.
  • Mentira: Las pausas pueden volverse extrañas, como si el músico estuviera pensando demasiado en qué nota tocar después.
• Resultado: La herramienta encontró que las mentiras tenían patrones de pausa diferentes, especialmente cuando la historia era "positiva" (alegre). Además, descubrieron que hombres y mujeres tienen patrones de pausa distintos cuando cuentan mentiras sobre temas negativos. Es como si la herramienta pudiera escuchar el "ritmo interno" de la ansiedad o la planificación de una mentira.

4. ¿Por qué es importante esto?

Hasta ahora, si querías estudiar secuencias de datos (como genes, pausas en el habla o ritmos cardíacos), tenías que usar métodos complicados o no tenías herramientas fáciles de usar.

sRQA es como el "traductor universal" para los científicos.

• Hace que el análisis de sistemas complejos sea accesible para cualquiera, no solo para expertos en matemáticas avanzadas.
• Permite ver patrones ocultos que otros métodos ignoran.
• Es de código abierto (gratis), lo que significa que cualquier investigador en biología, psicología o medicina puede usarlo hoy mismo.

En resumen

Este artículo presenta una nueva forma de "leer" la vida. En lugar de mirar solo la superficie suave de los datos, sRQA nos enseña a mirar los bloques de construcción (los símbolos) y a contar cómo se repiten. Ya sea para salvar vidas detectando arritmias, entender cómo funciona el cerebro al ver una película o detectar cuándo alguien está mintiendo, esta herramienta nos ayuda a encontrar el orden dentro del caos.

Resumen técnico

Resumen Técnico: sRQA (Análisis de Cuantificación de Recurrencia Simbólica)

1. Planteamiento del Problema

El Análisis de Cuantificación de Recurrencia (RQA) es un método fenomenológico potente para caracterizar sistemas dinámicos a partir de datos secuenciales empíricos. Sin embargo, el RQA tradicional está fundamentalmente limitado a señales continuas. Esto presenta un desafío significativo para el análisis de sistemas biológicos y conductuales que son inherentemente discretos (como secuencias de ADN, trenes de picos neuronales o patrones de habla) o donde la dinámica basada en estados es más relevante que la magnitud continua.

Aunque el RQA Simbólico (sRQA) extiende este marco a secuencias de estados discretos, ha existido una falta de soporte de software accesible y unificado. La ausencia de herramientas integradas que combinen la discretización, la visualización y el cálculo de métricas ha creado una barrera práctica para la adopción generalizada de este enfoque en las ciencias biológicas y conductuales.

2. Metodología

Los autores presentan sRQA, una biblioteca de código abierto en R que unifica todo el pipeline de análisis de recurrencia simbólica. La metodología se basa en tres funciones principales:

• Discretización y Simbolización: El paquete implementa múltiples estrategias para convertir series temporales en secuencias simbólicas:
  • Basada en Rangos (Cuantiles): Asigna símbolos según la posición percentil de los valores.
  • Basada en Orden (Ordinal): Codifica patrones de orden local dentro de ventanas deslizantes (método de Bandt y Pompe).
  • Codificación de Longitud de Ejecución (RLE): Un método novedoso propuesto en este trabajo que clasifica la estructura direccional (aumento, disminución, picos, valles) dentro de ventanas deslizantes, evitando la explosión combinatoria de símbolos típica de los métodos ordinales con ventanas grandes.
  • Inherente: Acepta datos que ya son discretos sin necesidad de preprocesamiento.
• Visualización: Generación de mapas de recurrencia simbólica.
• Cálculo de Métricas: Computación de 14 métricas de recurrencia y recurrencia cruzada (sCRQA) derivadas de la matriz de recurrencia, incluyendo:
  • Tasa de Recurrencia (RR): Frecuencia de retorno a estados anteriores.
  • Determinismo (DET) y Longitud de Línea Diagonal (L, Lmax): Miden la predictibilidad y la estructura determinista.
  • Laminaridad (LAM) y Tiempo de Atrapamiento (TT): Miden la tendencia a permanecer en estados específicos.
  • Entropía (ENTR, VENTR, RTE): Cuantifican la complejidad y la regularidad de los patrones.
  • Tendencia (TREND): Detecta no estacionariedad.

3. Contribuciones Clave

• Herramienta Unificada: Suple la falta de software accesible integrando discretización, visualización y cálculo de métricas en un solo paquete de R.
• Nuevo Método de Simbolización (RLE): Introduce la Codificación de Longitud de Ejecución como una alternativa robusta a los métodos ordinales, permitiendo ventanas más grandes sin aumentar excesivamente la complejidad simbólica.
• Validación y Aplicación Multidominio: Demuestra la utilidad del método en cuatro casos de uso distintos: simulación teórica, fisiología cardíaca, neuroimagen y análisis del habla.

4. Resultados

El estudio validó sRQA mediante cuatro casos de aplicación:

• Caso 1: Simulación y Validación Teórica

  • Se generaron series temporales estocásticas, periódicas y caóticas.
  • sRQA diferenció correctamente los regímenes dinámicos: el sistema estocástico mostró baja recurrencia y laminaridad; el periódico mostró alta laminaridad y estructura regular; el caótico mostró alto determinismo.
  • El análisis con ventanas deslizantes detectó con precisión un cambio de régimen (de caótico a periódico) en la mitad de la serie, confirmando la sensibilidad del método a transiciones dinámicas.

• Caso 2: Electrocardiograma (ECG) - Fibrilación Auricular (FA)

  • Se analizaron intervalos R-R de pacientes con FA y ritmo sinusal normal.
  • La FA mostró significativamente menor determinismo, laminaridad y predictibilidad, reflejando su naturaleza irregular.
  • Un clasificador XGBoost entrenado con las métricas de sRQA logró una precisión del 92.16% y un AUC de 0.973 para distinguir la FA del ritmo normal, demostrando alta eficacia diagnóstica.

• Caso 3: Resonancia Magnética Funcional (fMRI) - Red de Atención Dorsal

  • Se compararon estados de reposo vs. visualización de una película en la red de atención dorsal.
  • Durante la tarea (película), se observó un aumento en la determinismo, laminaridad y estructura recurrente, indicando una organización neural más predecible y coordinada.
  • El análisis de recurrencia cruzada (sCRQA) reveló una mayor coordinación inter-subred durante la tarea, superando las limitaciones de las métricas de conectividad lineal tradicionales.

• Caso 4: Análisis del Habla - Engaño y Veracidad

  • Se analizaron patrones de pausas en discursos verdaderos y falsos con diferentes valencias (positivas/negativas).
  • Se encontraron interacciones significativas entre veracidad y valencia: las mentiras en contextos positivos mostraron mayor entropía y estructuras verticales más largas (mayor persistencia de patrones) que la verdad.
  • También se identificaron diferencias dependientes del sexo en contextos negativos.
  • Un clasificador XGBoost logró una precisión del 65% (AUC 0.67) para detectar mentiras, superando el azar, lo que sugiere que la dinámica temporal de las pausas es un marcador sutil pero detectable.

5. Significado e Impacto

El paquete sRQA representa un avance metodológico crucial al democratizar el acceso al análisis de recurrencia simbólica. Sus principales implicaciones son:

1. Versatilidad: Permite analizar sistemas que antes eran inaccesibles para el RQA tradicional debido a su naturaleza discreta o a la dificultad de definir umbrales de recurrencia en datos continuos ruidosos.
2. Interpretabilidad Biológica: Las métricas extraídas (como laminaridad y determinismo) ofrecen interpretaciones fisiológicas claras sobre la estabilidad, predictibilidad y complejidad de los sistemas biológicos.
3. Aplicabilidad Transversal: Demuestra que la dinámica de estados discretos es un denominador común en sistemas tan diversos como el corazón, el cerebro y el comportamiento lingüístico.
4. Potencial Futuro: Abre nuevas vías para el análisis de datos de salud digital, evaluaciones ecológicas momentáneas y secuencias de lenguaje natural, donde las representaciones discretas son naturales.

En conclusión, sRQA proporciona un marco flexible, sensible y accesible para caracterizar la dinámica de sistemas complejos, superando las limitaciones de las herramientas actuales y fomentando su adopción en la investigación biomédica y conductual.