Human-Centered Learning Mechanics for Reliable Smart Textiles: An Explainable and Frugal AI Framework for Separating Physiological Anomalies from Sensor Drift and Degradation

Resumen Técnico: Mecánicas de Aprendizaje Centradas en el Humano para Textiles Inteligentes Confiables

Planteamiento del Problema
Los textiles inteligentes, que integran sensores directamente en la tela, ofrecen un potencial significativo para la atención médica domiciliaria, el monitoreo del sueño y la seguridad ocupacional. Sin embargo, enfrentan una limitación fundamental de confiabilidad distinta de los dispositivos portátiles convencionales: una señal anormal recolectada por una prenda sensorizada es intrínsecamente ambigua. Dicha señal puede originarse de un evento fisiológico genuino (p. ej., apnea, hipopnea), de una degradación del propio sensor textil (p. ej., deriva, histéresis, pérdida de contacto, daño inducido por el lavado) o de un artefacto de uso transitorio (p. ej., mala colocación de la prenda, ruido por movimiento).

Los procesos de monitoreo actuales suelen tratar la evaluación de la calidad de la señal y la detección de eventos fisiológicos como etapas separadas. Esta separación es subóptima porque una ventana rechazada por "baja calidad" podría contener en realidad una falla crítica del textil que requiere mantenimiento, mientras que una ventana "aceptada" aún podría ser fisiológicamente ambigua. El desafío central es distinguir los eventos fisiológicos reales de las fallas de sensores inducidas por el textil de una manera frugal (adecuada para dispositivos de borde/edge), explicable y optimizada para la toma de decisiones centrada en el humano en lugar de la precisión de clasificación bruta.

Metodología: Marco HCLM-SmartTex
Los autores proponen HCLM-SmartTex, un marco explicable y frugal basado en las Mecánicas de Aprendizaje Centradas en el Humano (HCLM). El marco trata al textil inteligente no solo como un portador de sensores, sino como un sistema de medición dinámico cuya confiabilidad debe monitorearse junto con las señales fisiológicas. La arquitectura consta de cinco etapas:

1. Extracción de Características a Nivel de Ventana: Se extraen características estadísticas y conscientes del dominio a partir de ventanas deslizantes de señales multivariantes (respiración, deformación torácica, SpO2, frecuencia cardíaca, deformación textil, calidad de contacto y variables ambientales). Las características clave incluyen el colapso de amplitud, la profundidad de desaturación, las tasas de pérdida de contacto y el acoplamiento respiración-deformación.
2. Puntuación Fisiológica Mecanicista ($S_{phys}$): Una puntuación transparente basada en reglas cuantifica la evidencia de un evento corporal. Esta aumenta cuando la amplitud respiratoria colapsa, ocurre desaturación de oxígeno o se observan aumentos compensatorios en la frecuencia cardíaca, reflejando la firma canónica de los eventos obstructivos respiratorios.
3. Puntuación de Confiabilidad Textil Mecanicista ($S_{textile}$): Una puntuación complementaria cuantifica la evidencia de falla de medición. Esta aumenta ante la pérdida de contacto, la deriva de la deformación textil respecto a la línea base calibrada y el debilitamiento del acoplamiento respiración-deformación, basándose en comportaciones de degradación documentadas de sensores tejidos y de punto.
4. Fusión Tardía Frugal: Las dos puntuaciones mecanicistas se normalizan y se combinan con un clasificador logístico ligero entrenado con un pequeño conjunto etiquetado. Esto produce una puntuación de anomalía híbrida ($S_{hyb}$) que preserva la interpretabilidad mientras mejora la robustez.
5. Regulación HCLM (Capa de Control Activo): Un termostato con compuerta de entropía regula la puntuación híbrida. Calcula una entropía efectiva ($H_{eff}$) que combina la incertidumbre predictiva con la ambigüedad entre la evidencia fisiológica y la textil. Si la entropía es alta (indicando incertidumbre) o si la evidencia de riesgo derivada del mecanismo contradice la puntuación híbrida, el controlador modula activamente la decisión. Puede suprimir falsas alarmas (si una puntuación alta carece de soporte mecánico) o recuperar eventos perdidos (si una puntuación limítrofe tiene fuerte evidencia de riesgo).

Contribuciones Clave
El artículo estratifica sus contribuciones a través de los niveles de marco, benchmark, modelo y validación:

• Formulación de Decisión Centrada en el Humano: El problema se plantea como una tarea de inferencia conjunta para separar los eventos fisiológicos de la degradación textil, optimizada contra un costo de decisión centrado en el humano explícito. Este costo penaliza los eventos fisiológicos perdidos, las falsas alarmas inducidas por el textil y los retrasos en la detección, priorizando las consecuencias operativas sobre la precisión bruta.
• Simulador de Textiles Inteligentes Sintéticos: Para abordar la falta de verdad de terreno en las grabaciones reales (donde el origen de una anomalía rara vez se conoce), los autores diseñaron un simulador controlado. Este genera escenarios contrafácticos (eventos fisiológicos idénticos con/sin fallas del sensor, y fallas textiles idénticas bajo diferentes estados fisiológicos) para aislar y validar el mecanismo de separación.
• Sub-puntuaciones Mecanicistas Explicables: El marco expone dos sub-puntuaciones independientes y legibles por humanos ($S_{phys}$ y $S_{textile}$). Esto permite al sistema atribuir las anomalías a familias específicas (normal, fisiológica, o textil/sensor) y sugerir acciones correctivas distintas (p. ej., atención clínica vs. reposicionamiento de la prenda).
• Control HCLM Activo: A diferencia del post-procesamiento pasivo, la capa HCLM actúa como un regulador sensible al riesgo. Utiliza la entropía efectiva para decidir cuándo intervenir, asegurando que el sistema se comporte como una herramienta de apoyo a la decisión en lugar de un clasificador estático.
• Frugalidad y Compatibilidad con el Borde (Edge): El modelo está diseñado para el despliegue embebido, utilizando solo 201 parámetros, ~2.15 KB de RAM y ~6.79 KB de flash, con una complejidad de inferencia de tiempo lineal.
• Protocolo de Validación: El artículo proporciona un protocolo de validación de prenda inteligente física concreta, definiendo una ruta desde la simulación controlada hasta el despliegue en el mundo real con requisitos específicos de instrumentación, adquisición por etapas y etiquetado de dos capas (estado fisiológico y estado de confiabilidad textil).

Resultados Experimentales
Evaluado en una división de sujetos no vista del benchmark sintético, el detector activo HCLM-SmartTex superó a los umbrales basados en reglas, a los detectores no supervisados (Isolation Forest, One-Class SVM) y a varios baselines aprendidos (Regresión Logística, ExtraTrees, ensambles optimizados para precisión):

• Desempeño: Logró el F1-score más alto (0.9515) y la fracción de ventana de falsa alarma más baja (0.0267) entre todos los métodos, manteniendo un alto recall (0.9800) y un retraso medio de detección de 0.50 ventanas.
• Eficacia de la Regulación: El controlador HCLM fue empíricamente activo, modificando el 64% de las ventanas evaluadas y cambiando cinco decisiones de prueba en relación con el híbrido no regulado. Esta regulación redujo con éxito las falsas alarmas sin sacrificar la sensibilidad.
• Precisión de Separación: El marco logró una precisión de 0.9667 en la distinción entre las familias normal, fisiológica y textil/sensor, y en la clasificación de la causa raíz para las clases activas.
• Huella de Recursos: El modelo se mantuvo significativamente más pequeño que los baselines no supervisados y los ensambles complejos, confirmando su idoneidad para dispositivos de borde.

Significancia y Reivindicaciones
El artículo posiciona este trabajo como un benchmark de nivel de mecanismo y orientado a la decisión para el monitoreo confiable de textiles inteligentes. Reivindica explícitamente que el marco aborda una brecha residual en la literatura: ningún enfoque existente separa conjuntamente las anomalías fisiológicas de la degradación textil/del sensor bajo un costo de decisión centrado en el humano de manera frugal y explicable.

Los autores son modestos en sus reivindicaciones, enfatizando que:

• Los resultados se basan en datos sintéticos y no constituyen una validación clínica o certificación industrial.
• El simulador sirve como un "puente controlado" para probar la separación de mecanismos bajo condiciones contrafácticas, no como un reemplazo para las pruebas físicas de la prenda.
• El marco es un bloque de construcción para el prototipado temprano y el apoyo a la decisión desplegado en el borde, diseñado para ser transferible a prendas reales mediante el protocolo de validación proporcionado.
• La contribución principal es el mecanismo de separación y el control de decisión sensible al riesgo, más que el logro de una precisión de estado del arte en una tarea clínica específica.

El estudio concluye que, al acoplar la toma de decisiones a la entropía efectiva y a la evidencia de riesgo derivada del mecanismo, el marco hace que el compromiso entre los eventos perdidos y las falsas alarmas sea explícito y ajustable, ofreciendo un camino práctico hacia sistemas de monitoreo de textiles inteligentes más confiables, interpretables y frugales.