Machine-learning for photoplethysmography analysis: Benchmarking feature, image, and signal-based approaches

Este estudo apresenta uma análise comparativa abrangente de diferentes representações de entrada para aprendizado de máquina em fotopletismografia, demonstrando que redes neurais profundas processando sinais brutos, especialmente CNNs modernas, superam abordagens baseadas em características ou imagens tanto na previsão de pressão arterial quanto na detecção de fibrilação atrial.

O essencial

Imagine que o seu relógio inteligente (smartwatch) é como um detetive que tenta adivinhar coisas sobre a sua saúde apenas olhando para a luz que reflete na sua pele. Essa luz é chamada de fotopletismografia (PPG). É a mesma tecnologia que mede o seu batimento cardíaco.

Mas aqui está o problema: como esse "detetive" deve analisar os dados? Ele deve olhar apenas para a forma da onda de luz? Deve tentar contar os picos e vales (como um engenheiro faria)? Ou deve transformar o sinal em uma imagem colorida e tentar "ver" padrões como se fosse uma pintura?

Este artigo é um grande teste de corrida (um benchmark) para descobrir qual desses métodos é o melhor. Os cientistas compararam três abordagens diferentes para duas tarefas importantes:

1. Estimar a Pressão Arterial (sem usar o manguito inflável tradicional).
2. Detectar Fibrilação Atrial (um tipo de batimento cardíaco irregular e perigoso).

Aqui está a explicação simples do que eles descobriram:

1. As Três Abordagens (Os "Candidatos")

Para resolver o problema, eles testaram três tipos de "olhos" diferentes para olhar os dados:

• A Abordagem do Engenheiro (Baseada em Recursos/Features):
  Imagine que você tem um sinal de pulso. O engenheiro pega uma régua e uma calculadora e mede coisas específicas: "Qual é a altura do pico?", "Quanto tempo demora para descer?", "Qual é a área debaixo da curva?". Ele cria uma lista de números (recursos) e joga esses números em um modelo simples.

  • Analogia: É como tentar descrever um filme apenas listando o tamanho dos atores, a cor das roupas e o tempo de duração, sem assistir ao filme.

• A Abordagem do Artista (Baseada em Imagens):
  Aqui, eles pegam o sinal de luz e o transformam em uma imagem colorida (como um mapa de calor ou um espectro de cores). Depois, usam redes neurais (a mesma tecnologia que reconhece gatos em fotos) para analisar essa imagem.

  • Analogia: É como transformar a música em uma partitura colorida e pedir para um pintor analisar a pintura para entender a melodia.

• A Abordagem do Ouvinte (Baseada em Sinal Bruto):
  Eles não medem nada e não desenham nada. Eles apenas jogam o sinal de luz cru, ponto por ponto, diretamente em uma Inteligência Artificial muito poderosa (uma Rede Neural Convolucional ou CNN). A IA aprende sozinha o que é importante.

  • Analogia: É como colocar o filme inteiro na frente de um crítico de cinema superinteligente e deixar que ele assista e entenda a história sozinho, sem ajuda de resumos ou desenhos.

2. O Grande Resultado: Quem Venceu?

A resposta foi surpreendentemente clara: O "Ouvinte" (Sinal Bruto + IA Profunda) venceu na maioria das vezes.

• O Vencedor: As Redes Neurais Convolucionais (CNNs) que olham para o sinal bruto foram as melhores. Elas conseguiram estimar a pressão arterial e detectar a fibrilação com mais precisão do que os engenheiros medindo coisas manualmente ou os artistas criando imagens.
• Por que? A IA consegue encontrar padrões complexos e sutis no sinal que um humano, com suas réguas e fórmulas, não consegue ver. É como se a IA tivesse uma "intuição" matemática que supera a lógica humana tradicional.
• O Segundo Lugar: As abordagens baseadas em imagens também foram muito boas, competindo de perto com o sinal bruto. Transformar o sinal em imagem funcionou bem, mas não foi tão eficiente quanto deixar a IA ler o sinal direto.
• O Último Lugar: A abordagem baseada em recursos manuais (o engenheiro medindo) geralmente foi a pior. Embora seja fácil de entender (é interpretável), ela perdeu precisão.

3. Um Detalhe Importante: O Contexto Muda Tudo

O estudo mostrou que a "melhor" ferramenta depende de onde você vai usá-la:

• Cenário "Calibração" (O mesmo paciente): Se o modelo já conhece o paciente (como um relógio que você usa todos os dias e foi calibrado com ele), os modelos gigantes e complexos funcionam muito bem. Eles "decoram" os padrões específicos daquela pessoa.
• Cenário "Sem Calibração" (Pacientes novos): Se o modelo precisa funcionar em um paciente que ele nunca viu antes (generalização), modelos um pouco menores e mais simples às vezes funcionam tão bem quanto os gigantes. Às vezes, modelos muito complexos "decoram" demais os dados de treino e falham com novos pacientes.

4. O Que Isso Significa para Você?

1. O Futuro é a IA Bruta: Para criar relógios inteligentes que medem pressão arterial ou detectam arritmias com precisão, a melhor aposta é usar redes neurais profundas que aprendem diretamente com o sinal de luz, sem precisar de engenheiros medindo cada detalhe manualmente.
2. A "Caixa Preta" é Necessária: A abordagem vencedora é uma "caixa preta". Nós sabemos que funciona muito bem, mas é difícil explicar exatamente por que a IA tomou aquela decisão (diferente da abordagem do engenheiro, onde sabemos exatamente qual medida foi usada). A ciência precisa aceitar essa troca: mais precisão em troca de menos explicabilidade imediata.
3. Cuidado com o Ruído: O estudo também alertou que, embora os modelos sejam bons em laboratório, o mundo real (com movimento, suor, má colocação do relógio) é difícil. A IA precisa ser treinada para ignorar o "ruído" do dia a dia.

Resumo da Ópera:
Se você quer construir o melhor sistema de saúde no seu pulso, não tente ensinar o computador a medir coisas com réguas. Dê a ele o sinal cru e deixe uma inteligência artificial poderosa aprender a "ouvir" a música do seu coração e adivinhar sua saúde. É assim que se chega à precisão máxima hoje em dia.

Resumo técnico

Título: Aprendizado de Máquina para Análise de Fotopletismografia (PPG): Benchmarking de Abordagens Baseadas em Recursos, Imagem e Sinal

1. Problema e Contexto

A Fotopletismografia (PPG) é uma técnica de sensoriamento não invasiva amplamente utilizada em dispositivos vestíveis (como smartwatches) e clínicos para medir parâmetros fisiológicos, como frequência cardíaca, oxigenação do sangue, pressão arterial (PA) e detecção de arritmias.

Apesar do crescimento do uso de aprendizado de máquina (ML) e aprendizado profundo (Deep Learning) para analisar sinais de PPG, existe uma lacuna significativa na literatura: falta de comparações sistemáticas e controladas entre diferentes representações de entrada (sinal bruto, recursos extraídos manualmente e representações baseadas em imagem) e arquiteturas de modelos. A maioria dos estudos compara modelos apenas dentro de uma única modalidade de entrada ou contra resultados da literatura com configurações experimentais diferentes, o que limita a comparabilidade e a generalização dos resultados.

O objetivo deste estudo é preencher essa lacuna através de um benchmark abrangente e "comparável" (like-for-like) para duas tarefas clínicas prototípicas:

1. Estimativa de Pressão Arterial (PA): Uma tarefa de regressão.
2. Detecção de Fibrilação Atrial (FA): Uma tarefa de classificação.

2. Metodologia

2.1. Dados e Conjuntos de Dados
O estudo utilizou dois grandes conjuntos de dados públicos:

• VitalDB (para Estimativa de PA): Dados de sinais de PPG, ECG e pressão arterial invasiva (ABP) de pacientes cirúrgicos. O estudo utilizou segmentos de 10 segundos (125 Hz).
  • Protocolos de Avaliação: Foram testados dois cenários:
    • Calib: O conjunto de teste inclui pacientes que também estavam no conjunto de treinamento (permitindo adaptação específica ao sujeito).
    • CalibFree: O conjunto de teste contém apenas pacientes não vistos durante o treinamento (avaliação de generalização para novos pacientes).
• DeepBeat (para Detecção de FA): Dados de PPG de pulso (32 Hz) de 175 indivíduos (108 com FA, 67 sem).
  • Revisão: Os autores recriaram a divisão dos dados (train/val/test) para eliminar sobreposição de sujeitos e desequilíbrios presentes na publicação original, garantindo uma avaliação mais robusta.

2.2. Representações de Entrada
O estudo comparou três categorias principais de representações de entrada:

1. Séries Temporais Brutas (Raw Time Series - T): Os sinais de PPG originais processados diretamente por redes neurais.
   • Modelos: CNNs 1D (LeNet, Inception, XResNet, AlexNet), TCNs, MiniRocket, Transformers (iTransformer, TimesNet) e híbridos (PPNet).
2. Recursos Baseados em Características (Feature-Based - F): Sinais processados para extrair características clínicas ou matemáticas interpretáveis.
   • Recursos Clínicos (CIF): Morfologia da onda de pulso (picos, durações), derivadas, variabilidade de intervalos entre batimentos (para FA).
   • Transformações Matemáticas: Decomposição por Wavelets.
   • Modelos: MLP, Regressão por Processos Gaussianos (GPR).
3. Representações Baseadas em Imagem (Image-Based - I): Conversão do sinal 1D em imagens 2D para uso de CNNs de visão computacional.
   • Técnicas: Transformada Wavelet Contínua (CWT) gerando scalograms e Transformada de Fourier de Curto Prazo (STFT) gerando espectrogramas.
   • Modelos: ResNet-18 e ResNet-50 (pré-treinados no ImageNet).

2.3. Métricas de Avaliação

• Regressão (PA): Erro Absoluto Médio (MAE), Erro Absoluto Médio Escalonado (MASE), análise de Bland-Altman (viés e limites de concordância) e classificação IEEE 1708a-2019 (Graus A a D baseados em erros ≤ 5 mmHg).
• Classificação (FA): AUC-ROC, F1-score, Sensibilidade, Especificidade e Coeficiente de Correlação de Matthews (MCC).
• Significância Estatística: Análise de bootstrap (1.000 iterações) para determinar se as diferenças de desempenho entre modelos são estatisticamente significativas.

3. Principais Contribuições

• Benchmark Unificado: A primeira comparação direta e controlada de três paradigmas de entrada (sinal, recurso, imagem) em dois grandes conjuntos de dados para tarefas de regressão e classificação.
• Análise de Generalização: Distinção clara entre cenários de "mesmos pacientes" (Calib) e "novos pacientes" (CalibFree), revelando como a complexidade do modelo afeta a generalização.
• Guia Prático: Fornecimento de diretrizes claras para pesquisadores e engenheiros sobre qual abordagem escolher dependendo da tarefa e do cenário de implantação.

4. Resultados Chave

4.1. Estimativa de Pressão Arterial (PA)

• Melhor Desempenho: Redes Neurais Convolucionais (CNNs) profundas operando sobre séries temporais brutas obtiveram os melhores resultados em ambos os cenários.
  • No cenário CalibFree (generalização): O modelo XResNet1d50 obteve o melhor desempenho (MAE ~12.3 mmHg para SBP), superando modelos baseados em recursos e imagens.
  • No cenário Calib (mesmos pacientes): Modelos mais complexos como XResNet1d50+GNLL (com dropout ensembling e perda baseada em verossimilhança) alcançaram o melhor desempenho, com 48% das estimativas de PA sistólica e 64% da diastólica na Categoria A (erro ≤ 5 mmHg).
• Desempenho de Recursos e Imagens: Abordagens baseadas em recursos (Feature-based) geralmente performaram pior que as baseadas em sinal bruto, especialmente no cenário Calib. Modelos baseados em imagem (CWT/STFT) foram competitivos, mas não superaram as CNNs de sinal bruto.
• Generalização vs. Memória: Modelos grandes e complexos tendem a "memorizar" padrões específicos de pacientes no cenário Calib, enquanto modelos menores (como LeNet1d) às vezes generalizaram melhor no cenário CalibFree.

4.2. Detecção de Fibrilação Atrial (FA)

• Melhor Desempenho: Novamente, CNNs modernas operando em séries temporais brutas (especificamente Inception1d e XResNet1d50) alcançaram o melhor desempenho (AUC ~0.85, F1 ~0.69-0.72).
• Comparação: Modelos baseados em recursos (especialmente Wavelet + MLP) performaram melhor que os recursos clínicos manuais (CIF), mas ainda ficaram abaixo das CNNs de sinal bruto.
• Modelos Baseados em Imagem: Espectrogramas processados por ResNet-18/50 alcançaram desempenho comparável às melhores CNNs de sinal bruto, sugerindo que representações imagem são viáveis para FA.
• Transformers: Modelos baseados em Transformers (iTransformer, TimesNet) não superaram as CNNs convencionais nesta tarefa específica.

5. Significância e Conclusões

• Recomendação Geral: Para a maioria das aplicações de PPG, arquiteturas modernas de CNN (como XResNet ou Inception) operando diretamente sobre o sinal de tempo bruto são a escolha mais segura e robusta, oferecendo o melhor equilíbrio entre desempenho e generalização.
• Interpretabilidade vs. Desempenho: Embora métodos baseados em recursos ofereçam maior interpretabilidade clínica, eles não alcançaram o desempenho de precisão das abordagens de "end-to-end" (sinal bruto). O estudo destaca o trade-off entre a transparência clínica e a precisão preditiva.
• Robustez e Limitações: O estudo aponta que, embora os modelos tenham bom desempenho em dados controlados (como VitalDB, sem artefatos de movimento), a robustez em condições do mundo real (com ruído e movimento) ainda é um desafio. A generalização para novos pacientes (CalibFree) é significativamente mais difícil do que para pacientes conhecidos.
• Futuro: O estudo sugere que o uso de pre-training (supervisionado ou auto-supervisionado) e modelos fundacionais (foundation models) pode ser o próximo passo para superar as limitações atuais de desempenho e generalização.

Em resumo, o artigo fornece evidências empíricas sólidas de que, para PPG, a abordagem de "sinal bruto + CNN profunda" é atualmente superior às abordagens tradicionais baseadas em recursos ou conversão para imagem, embora estas últimas mantenham relevância em cenários específicos ou quando a interpretabilidade é prioritária.