Riepilogo Tecnico: CAPACITÀ SYNHEART

Enunciato del Problema

Le prestazioni cognitive umane sono vincolate da risorse mentali limitate, tuttavia la stima computazionale continua delle dinamiche della capacità cognitiva rimane una sfida aperta. I sistemi adattivi attuali (ad esempio, piattaforme di tutoraggio, strumenti di supporto alle decisioni) si basano tipicamente su metriche comportamentali come i tassi di errore o i tempi di risposta, che rilevano il sovraccarico solo dopo che le prestazioni si sono già deteriorate. Inoltre, gli approcci fisiologici esistenti spesso riducono dinamiche cognitive complesse a un'unica etichetta "carico di lavoro" unidimensionale. Questo approccio oscura una distinzione teorica critica: la differenza tra allocazione volontaria delle risorse (sforzo mentale) e risposte involontarie di affaticamento (stress). Un alto sforzo può rappresentare un coinvolgimento produttivo, mentre un alto stress indica che le richieste stanno superando la capacità. Senza distinguere questi stati, i sistemi adattivi non possono differenziare un utente che è produttivamente impegnato da uno che sta per raggiungere il sovraccarico cognitivo.

Metodologia

Gli autori propongono un framework di deep learning multimodale guidato dalla teoria che modella la capacità cognitiva come uno spazio di stati fisiologici bidimensionale definito da sforzo ($U$) e stress ($O$).

1. Quadro Teorico

Il modello opera la Teoria della Capacità (Kahneman, 1973; Hockey, 1997), postulando che:

• Sforzo ($U$): Allocazione volontaria delle risorse.
• Stress ($O$): Affaticamento involontario da sovraccarico.
  Questi sono trattati come costrutti distinti ma interagenti, piuttosto che come un singolo scalare.

2. Architettura

L'architettura proposta è una rete neurale multi-task a doppio flusso, progettata per preservare la separazione strutturale tra sforzo e stress:

• Codifica a Doppio Flusso:
  • Flusso Cardiaco: Elabora le serie temporali dell'Intervallo Inter-Battito (IBI) e le caratteristiche di Heart Rate Variability (HRV) costruite manualmente.
  • Flusso Elettrodermico: Elabora le serie temporali dell'Attività Elettrodermica (EDA) e le caratteristiche EDA costruite manualmente (componenti SCL e SCR).
• Modellazione Temporale: Utilizza LSTM con meccanismi di attenzione (o Temporal Convolutional Networks come alternativa) per catturare le transizioni dinamiche.
• Fusione: Un modulo di fusione tardiva concatena gli embedding da entrambi i flussi.
• Uscita a Doppia Testa: Due teste indipendenti specifiche per il compito producono stime probabilistiche per stress alto/basso e sforzo alto/basso, creando uno spazio di stati $(U, O) \in [0, 1]^2$.

3. Dataset e Supervisione

• Dataset: Lo studio utilizza il dataset SWELL-KW, contenente registrazioni fisiologiche (ECG, EDA) da 21 partecipanti che eseguono compiti d'ufficio in tre condizioni: Neutrale (c1), Interruzione (c2) e Pressione Temporale (c3).
• Strategia di Etichettatura:
  • Stress: c1 = Basso; c2/c3 = Alto.
  • Sforzo: c1 = Basso; c3 = Alto.
  • Mascheramento: La condizione di interruzione (c2) è teoricamente ambigua riguardo allo sforzo volontario. Gli autori impiegano una strategia di supervisione specifica per il compito che maschera le etichette di sforzo per c2 durante l'addestramento ($m_i=0$) per impedire al modello di apprendere associazioni non valide per il costrutto.
• Valutazione: Rigorosa validazione incrociata Leave-One-Subject-Out (LOSO) per garantire la generalizzazione tra individui.

Risultati Chiave

1. Generalizzazione tra Soggetti

Sotto una rigorosa valutazione LOSO, il modello ha raggiunto una precisione bilanciata (BA) significativa superiore al caso (0,50):

• Stress: 70,0% BA ($d=1,60$).
• Sforzo: 72,2% BA ($d=1,43$).
• Media Congiunta: 71,1% BA.
  Ciò rappresenta un miglioramento di 27,5 punti percentuali rispetto alla migliore baseline precedente indipendente dal soggetto (Random Forest, 42,5% BA) sullo stesso dataset.

2. Coerenza Strutturale e Dissociazione

• Dissociazione Sforzo-Stress: Il modello ha appreso con successo firme distinte per sforzo e stress. L'analisi per soggetto ha mostrato che, sebbene le prestazioni su entrambi gli assi fossero correlate ($r=0,84$), esisteva una varianza residua significativa. Alcuni soggetti sono stati classificati con maggiore precisione sullo sforzo rispetto allo stress (ad esempio, pp03, pp12), e viceversa (ad esempio, pp23), confermando che le due dimensioni non sono ridondanti.
• Traiettorie nello Spazio degli Stati: Le traiettorie previste si allineavano alla teoria della capacità. Lo stato a livello di gruppo si è spostato da un quadrante "sottoutilizzato" (neutrale) attraverso un "coinvolgimento ottimale" (interruzione) verso il "confine del sovraccarico" (pressione temporale).
• Variabilità Individuale: Il 52% dei soggetti ha mostrato traiettorie monotone coerenti con la teoria. Un sottoinsieme ha mostrato pattern "Picco-C2" (l'interruzione più attivante della pressione temporale), mentre altri hanno mostrato traiettorie piatte o invertite (spesso legate a problemi di qualità del segnale o effetti di soffitto).

3. Studi di Ablazione

• Fusione Multimodale: La combinazione di segnali IBI/HRV ed EDA ha superato significativamente le baseline unimodali, confermando che i segnali cardiaci ed elettrodermici forniscono informazioni complementari.
• Augmentation delle Caratteristiche: L'aggiunta di caratteristiche fisiologiche costruite manualmente (ad esempio, RMSSD, LF/HF) agli input di serie temporali grezzi ha prodotto un guadagno di +7,1 punti percentuali nella BA media, dimostrando che le statistiche riassuntive motivate dalla teoria catturano informazioni discriminative non estratte completamente dai soli encoder temporali grezzi.
• Mascheramento delle Etichette: L'esclusione delle etichette di sforzo ambigue c2 ha migliorato la classificazione dello sforzo di +7,3 punti percentuali senza degradare le prestazioni sullo stress.

Significato e Affermazioni

Il documento afferma che incorporare la struttura psicologica direttamente nella progettazione dell'architettura neurale consente un passaggio dalla classificazione convenzionale del carico di lavoro alla modellazione strutturata degli stati di capacità.

• Operazionalizzazione Teorica: Il lavoro fornisce un'operazionalizzazione computazionale della capacità cognitiva come configurazione bidimensionale, permettendo ai sistemi di distinguere tra "coinvolgimento produttivo" (alto sforzo, basso stress) e "sovraccarico" (alto sforzo, alto stress).
• Potenziale Adattivo: Fornendo una stima continua e multidimensionale della capacità, il framework getta le basi per sistemi uomo-AI adattivi capaci di intervento proattivo (rilevare l'avvicinarsi dei limiti prima del fallimento delle prestazioni) piuttosto che correzione reattiva.
• Robustezza: I risultati dimostrano che la supervisione guidata dalla teoria e l'integrazione multimodale possono raggiungere una generalizzazione robusta tra individui nel calcolo fisiologico, un dominio storicamente afflitto da variabilità specifica del soggetto.

Gli autori notano le limitazioni, inclusa la natura binaria delle teste di classificazione, la dipendenza da un singolo dataset (SWELL-KW) e la necessità di una futura validazione rispetto a verità comportamentali continue. Suggeriscono che una calibrazione della baseline individualizzata possa essere necessaria per affrontare gli effetti di soffitto e le traiettorie invertite in specifici utenti.