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

Sintesi Tecnica: Meccaniche di Apprendimento Centrate sull'Uomo per Tessuti Intelligenti Affidabili

Definizione del Problema
I tessuti intelligenti, che integrano sensori direttamente nelle fibre, offrono un potenziale significativo per l'assistenza domiciliare, il monitoraggio del sonno e la sicurezza sul lavoro. Tuttavia, essi affrontano un limite fondamentale di affidabilità distinto dai dispositivi indossabili convenzionali: un segnale anomalo raccolto da un capo sensorizzato è intrinsecamente ambiguo. Tale segnale può originare da un evento fisiologico reale (es. apnea, ipopnea), dal degrado del sensore tessile stesso (es. deriva, isteresi, perdita di contatto, danni da lavaggio) o da un artefatto di utilizzo transitorio (es. posizionamento errato del capo, rumore da movimento).

Le attuali pipeline di monitoraggio trattano tipicamente la valutazione della qualità del segnale e la rilevazione degli eventi fisiologici come fasi separate. Questa separazione è sub-ottimale perché una finestra rifiutata come "bassa qualità" potrebbe in realtà contenere un guasto critico del tessuto che richiede manutenzione, mentre una finestra "accettata" potrebbe essere ancora fisiologicamente ambigua. La sfida centrale è distinguere le anomalie fisiologiche vere dai guasti dei sensori indotti dal tessuto in modo frugale (adatto per dispositivi edge), spiegabile e ottimizzato per il processo decisionale centrato sull'uomo piuttosto che per la pura accuratezza della classificazione.

Metodologia: Framework HCLM-SmartTex
Gli autori propongono HCLM-SmartTex, un framework spiegabile e frugale basato sulle Meccaniche di Apprendimento Centrate sull'Uomo (HCLM). Il framework tratta il tessuto intelligente non solo come un supporto per sensori, ma come un sistema di misurazione dinamico la cui affidabilità deve essere monitorata insieme ai segnali fisiologici. L'architettura si compone di cinque fasi:

1. Estrazione delle Caratteristiche a Livello di Finestra: Vengono estratte caratteristiche statistiche e consapevole del dominio da finestre scorrevoli di segnali multivariati (respirazione, deformazione toracica, SpO2, frequenza cardiaca, deformazione del tessuto, qualità del contatto e variabili ambientali). Le caratteristiche chiave includono il collasso dell'ampiezza, la profondità di desaturazione, i tassi di perdita di contatto e l'accoppiamento respirazione-deformazione.
2. Punteggio Fisiologico Meccanicistico ($S_{phys}$): Un punteggio trasparente e basato su regole quantifica l'evidenza di un evento corporeo. Aumenta quando si verifica un collasso dell'ampiezza respiratoria, una desaturazione dell'ossigeno o un aumento compensatorio della frequenza cardiaca, riflettendo la firma canonica degli eventi respiratori ostruttivi.
3. Punteggio di Affidabilità del Tessuto Meccanicistico ($S_{textile}$): Un punteggio complementare quantifica l'evidenza di un fallimento della misurazione. Aumenta in caso di perdita di contatto, deriva della deformazione del tessuto rispetto alla linea di base calibrata e indebolimento dell'accoppiamento respirazione-deformazione, basandosi sui comportamenti di degrado documentati per sensori lavorati a maglia o a filato.
4. Fusione Tardiva Frugale: I due punteggi meccanicistici vengono normalizzati e combinati con un classificatore logistico leggero addestrato su un piccolo set etichettato. Questo produce un punteggio di anomalia ibrido ($S_{hyb}$) che preserva l'interpretabilità migliorando al contempo la robustezza.
5. Regolazione HCLM (Livello di Controllo Attivo): Un termostato a soglia di entropia regola il punteggio ibrido. Calcola un'entropia effettiva ($H_{eff}$) che combina l'incertezza predittiva con l'ambiguità tra l'evidenza fisiologica e quella tessile. Se l'entropia è alta (indicando incertezza) o se l'evidenza del rischio derivata dal meccanismo contraddice il punteggio ibrido, il controllore modula attivamente la decisione. Può sopprimere i falsi allarmi (se un punteggio elevato manca di supporto meccanicistico) o recuperare eventi mancati (se un punteggio borderline presenta una forte evidenza di rischio).

Contributi Chiave
Il documento stratifica i suoi contributi attraverso i livelli di framework, benchmark, modello e validazione:

• Formulazione Decisionale Centrata sull'Uomo: Il problema è formulato come un compito di inferenza congiunta per separare gli eventi fisiologici dal degrado del tessuto, ottimizzato rispetto a un esplicito costo decisionale centrato sull'uomo. Questo costo penalizza gli eventi fisiologici mancati, i falsi allarmi indotti dal tessuto e i ritardi di rilevazione, dando priorità alle conseguenze operative rispetto alla pura accuratezza.
• Simulatore di Tessuto Intelligente Sintetico: Per affrontare la mancanza di verità assoluta (ground truth) nelle registrazioni reali (dove l'origine di un'anomalia è raramente nota), gli autori hanno progettato un simulatore controllato. Esso genera scenari controfattuali (identici eventi fisiologici con o senza guasti del sensore, e identici guasti del tessuto sotto diversi stati fisiologici) per isolare e validare il meccanismo di separazione.
• Sotto-punteggi Meccanicistici Spiegabili: Il framework espone due sotto-punteggi indipendenti e leggibili dall'uomo ($S_{phys}$ e $S_{textile}$). Ciò consente al sistema di attribuire le anomalie a specifiche famiglie (normale, fisiologica, o tessile/sensore) e suggerire azioni correttive distinte (es. attenzione clinica vs riposizionamento del capo).
• Controllo Attivo HCLM: A differenza del post-processing passivo, lo strato HCLM agisce come un regolatore sensibile al rischio. Utilizza l'entropia effettiva per decidere quando intervenire, garantendo che il sistema si comporti come uno strumento di supporto decisionale piuttosto che come un classificatore statico.
• Frugalità e Compatibilità Edge: Il modello è progettato per l'implementazione embedded, utilizzando solo 201 parametri, circa 2,15 KB di RAM e circa 6,79 KB di flash, con una complessità di inferenza lineare.
• Protocollo di Validazione: Il documento fornisce un protocollo di validazione concreto per capi intelligenti fisici, definendo un percorso dalla simulazione controllata al deployment nel mondo reale con requisiti specifici per strumentazione, acquisizione a stadi e etichettatura a due livelli (stato fisiologico e stato di affidabilità del tessuto).

Risultati Sperimentali
Valutato su un split di soggetti del benchmark sintetico, il rilevatore attivo HCLM-SmartTex ha superato i detti di soglia basati su regole, i rilevatori non supervisionati (Isolation Forest, One-Class SVM) e vari baseline appresi (Logistic Regression, ExtraTrees, ensemble ottimizzati per l'accuratezza):

• Performance: Ha raggiunto il più alto F1-score (0,9515) e la più bassa frazione di finestre di falso allarme (0,0267) tra tutti i metodi, mantenendo al contempo un alto recall (0,9800) e un ritardo medio di rilevazione di 0,50 finestre.
• Efficacia della Regolazione: Il controllore HCLM è stato empiricamente attivo, modificando il 64% delle finestre valutate e cambiando cinque decisioni di test rispetto all'ibrido non regolato. Questa regolazione ha ridotto con successo i falsi allarmi senza sacrificare la sensibilità.
• Accuratezza della Separazione: Il framework ha raggiunto un'accuratezza di 0,9667 nel distinguere tra le famiglie normale, fisiologica e tessile/sensore, e nella classificazione della causa radice per le classi attive.
• Impronta di Risorse: Il modello è rimasto significativamente più piccolo rispetto ai baseline non supervisionati e ai complessi ensemble, confermando la sua idoneità per i dispositivi edge.

Significato e Rivendicazioni
Il documento posiziona questo lavoro come un benchmark a livello di meccanismo e orientato alla decisione per il monitoraggio affidabile dei tessuti intelligenti. Rivendica esplicitamente che il framework affronta una lacuna residua nella letteratura: nessun approccio esistente separa congiuntamente le anomalie fisiologiche dal degrado del tessuto/sensore sotto un costo decisionale centrato sull'uomo in modo frugale e spiegabile.

Gli autori sono modesti nelle loro rivendicazioni, sottolineando che:

• I risultati si basano su dati sintetici e non costituiscono una validazione clinica o una certificazione industriale.
• Il simulatore serve come un "ponte controllato" per testare la separazione dei meccanismi in condizioni controfattuali, non come sostituto del test fisico del capo.
• Il framework è un mattone fondamentale per la prototipazione precoce e il supporto decisionale distribuito su edge, progettato per essere trasferibile a capi reali tramite il protocollo di validazione fornito.
• Il contributo primario è il meccanismo di separazione e il controllo decisionale sensibile al rischio, piuttosto che il raggiungimento dell'accuratezza allo stato dell'arte su un compito clinico specifico.

Lo studio conclude che, accoppiando il processo decisionale all'entropia effettiva e all'evidenza del rischio derivata dal meccanismo, il framework rende esplicito e modulabile il compromesso tra eventi mancati e falsi allarmi, offrendo una via pratica verso sistemi di monitoraggio dei tessuti intelligenti più affidabili, interpretabili e frugali.