NDPAI: Neuroscience-Derived Predictive Active Inference for Calibrated Cross-Subject Wearable Stress Detection

Resumen Técnico: NDPAI para la Detección de Estrés mediante Wearables Calibrada entre Sujetos

Planteamiento del Problema
El monitoreo continuo del estrés mediante dispositivos portátiles (wearables) enfrenta tres limitaciones estructurales persistentes en la literatura actual: (1) una pobre generalización entre sujetos bajo una evaluación estricta de dejar a un sujeto fuera (LOSO, leave-one-subject-out) debido a la variabilidad fisiológica interindividual; (2) una falta de cuantificación de la incertidumbre basada en principios, donde la mayoría de los clasificadores proporcionan predicciones puntuales sin mecanismos para señalar la fiabilidad o las entradas fuera de distribución (OOD); y (3) el tratamiento del estrés como un evento a nivel de ventana en lugar de un estado psicofisiológico sostenido. Además, los enfoques generativos existentes carecen a menudo de un mecanismo principista para acoplar la inferencia con la selección de acciones prospectivas bajo incertidumbre, y ningún trabajo previo ha aplicado el marco de la inferencia activa —específicamente la minimización de la Energía Libre Esperada (EFE) con enrutamiento de vía dual— al monitoreo fisiológico continuo bajo condiciones estrictas de LOSO.

Metodología
El artículo propone la arquitectura Neuroscience-Derived Predictive Active Inference (NDPAI), un marco generativo fundamentado en el Principio de la Energía Libre (FEP) y la neurociencia cognitiva de procesos duales. El sistema opera sobre el benchmark multimodal WESAD (15 participantes, señales de ECG y EDA) utilizando un vector de características de 12 dimensiones derivado de estadísticas de nivel de voltaje bruto (media, varianza, rango y diferencias de primer orden) sin detección de picos R ni descomposición espectral.

El núcleo de NDPAI es un diseño de vía dual motivado biológicamente:

1. Modelo Generativo: Se ajusta un modelo Gaussiano multivariante condicional a la clase (con covarianza diagonal) sobre los datos de entrenamiento para representar la verosimilitud de las observaciones fisiológicas dadas las de estados afectivos ocultos (Línea Base, Estrés, Regocijo).
2. Enrutamiento con Compuerta VFE: Para cada ventana de observación, se calcula una puntuación de Energía Libre Variacional (VFE). Esta puntuación actúa como una señal de "sorpresa" intrínseca del modelo.
   • Vía de la Amígdala (Rápida): Si la VFE está por debajo de un umbral derivado del entrenamiento, la ventana se dirige a una vía de minimización de EFE de un solo paso y rápida. Esta vía suprime el término epistémico (reducción de la incertidumbre), operando con un horizonte de planificación de $H=1$.
   • Vía de la Corteza (Deliberativa): Si la VFE excede el umbral, la ventana se dirige a una vía más lenta que realiza una minimización de EFE de múltiples pasos ($H=2$) con un término epistémico activo, permitiendo un análisis de la incertidumbre más profundo.
3. Selección de Acción: A diferencia de los clasificadores discriminativos, NDPAI genera avisos direccionales de monitoreo: Mantener, Escalar o Desescalar. Estos se derivan de la minimización de la EFE, que equilibra la divergencia de los estados preferidos (valor pragmático) y la ganancia de información anticipada (valor epistémico). En esta implementación, se utiliza un prior de preferencia uniforme, lo que hace que la selección de acciones sea impulsada principalmente por la minimización de la ambigüedad.
4. Calibración: Se aplica un escalado de temperatura leave-one-fold-out (LOO) post-hoc para corregir la sobreconfianza inherente de las posteriores gaussianas diagonales.

Contribuciones Clave

1. Primera Aplicación de la Inferencia Activa en este Dominio: NDPAI es la primera arquitectura que aplica la inferencia activa basada en EFE con enrutamiento de vía dual al monitoreo continuo del estrés fisiológico bajo validación cruzada estricta de LOSO en el benchmark WESAD.
2. Calibración de Probabilidad Superior: Medi través del escalado de temperatura LOO, NDPAI redujo su Error de Calibración Esperado (ECE) de 0.319 a 0.056. Esto supera al principal baseline discriminativo, XGBoost (ECE = 0.128), estableciendo la salida probabilística calibrada como una fortaleza primaria del enfoque generativo.
3. Precisión Competitiva con Eficiencia Computacional: NDPAI (Vía Dual) alcanzó una precisión equilibrada media de 60.3%, estadísticamente comparable a XGBoost (64.4%) mediante la prueba de Wilcoxon pareada. Crucialmente, el enrutamiento con compuerta VFE redujo los costos de computación de la EFE en un 77% (solo el 3.4% de las ventanas requirieron procesamiento cortical deliberativo) manteniendo un rendimiento competitivo.
4. Salidas de Acción Interpretables: El modelo genera avisos direccionales clínicamente interpretables (Mantener, Escalar, Desescalar), una capacidad ausente en los baselines discriminativos estándar.
5. Contabilidad Empírica Honesta: El estudio documenta explícitamente las limitaciones arquitectónicas, incluyendo el fallo de la VFE como detector de OOD a nivel de sujeto (AUC = 0.417, por debajo del azar) y la existencia de "sujetos difíciles" (S2, S8, S14) que exhiben un rendimiento cercano al azar en todos los modelos debido a limitaciones de señal a nivel de datos (dinámicas de EDA planas).

Resultados

• Precisión: NDPI (Vía Dual) (60.33%) funcionó estadísticamente indistinguible de XGBoost (64.35%) y la Regresión Logística (62.88%). Superó significativamente a las ablaciones de vía única (Solo Amígdala: 46.68%; Solo Corteza: 46.32%).
• Calibración: El escalado de temperatura post-hoc mejoró el ECE de NDPAI a 0.056, significativamente menor que el de XGBoost (0.128).
• Eficiencia de Enrutamiento: El mecanismo de enrutamiento dirigió con éxito el 96.6% de las ventanas a la vía eficiente de la Amígdala, reduciendo el costo total de EFE en un 77% en comparación con una configuración de solo Corteza.
• Análisis de Fallos: Los sujetos S2, S8 y S14 fallaron consistentemente en todos los modelos (BalAcc ~36-43%). El análisis reveló que estos sujetos tenían señales de EDA con una variación fásica insignificante, lo que hace que la señal de activación simpática sea ininformativa para la discriminación de tres clases. Esto confirma que el fallo es una limitación a nivel de datos y no un déficit específico del modelo.
• Detección de OOD: Aunque la VFE falló en detectar cambios de distribución a nivel de sujeto (AUC 0.417), la entropía de la posterior logró un AUC moderado de 0.722, y la incertidumbre de XGBoost alcanzó 0.889.

Significancia y Reivindicaciones
El artículo sostiene que la inferencia activa es un paradigma de inferencia viable para la computación fisiológica, demostrando que una arquitectura generativa fundamentada en el Principio de la Energía Libre puede igualar en precisión a los clasificadores discriminativos, ofreciendo ventajas distintivas: predicciones probabilísticas bien calibradas, salidas orientadas a la acción e interpretables, y una asignación computacional adaptativa.

Sin embargo, los autores se mantienen modestos respecto al estado actual de la tecnología. Declaran explícitamente que NDPAI es una prueba de concepto más que un producto desplegable. El trabajo reconoce que la implementación actual depende de una verosimilitud gaussiana diagonal simplificada, lo que limita la detección de anomalías a nivel de sujeto. Los autores enfatizan que los fallos de los "sujetos difíciles" son restricciones estructurales del monitoreo basado en EDA en individuos fisiológicamente atípicos, no simplemente errores algorítmicos. La significancia del trabajo radica en establecer que la inferencia activa puede proporcionar un reconocimiento de estrés entre sujetos competitivo con una calibración e interpretabilidad superiores, pero se requiere una validación futura en hardware del mundo real y poblaciones heterogéneas para determinar si estas ventajas sobreviven al contacto con las restricciones clínicas reales.