Task- and Metric-Specific Signal Quality Indices for Medical Time Series

1. O Problema

O uso crescente de dispositivos vestíveis e móveis para monitoramento de saúde gerou um volume sem precedentes de séries temporais fisiológicas, como eletrocardiogramas (ECGs) e fotopletismogramas (PPGs). No entanto, esses sinais são frequentemente corrompidos por artefatos de medição (ruído de movimento, perda de contato do sensor, interferência ambiental), especialmente em ambientes não controlados como ambulâncias ou atividades diárias.

Atualmente, os Índices de Qualidade de Sinal (SQIs) são utilizados para identificar e rejeitar segmentos de sinal corrompidos antes da análise clínica. O problema central identificado pelos autores é que a maioria dos SQIs existentes é agnóstica à tarefa: eles avaliam propriedades genéricas do sinal (como relação sinal-ruído espectral ou morfologia) sem considerar:

1. O algoritmo específico que processará o sinal (ex: um sinal pode ser bom para detecção de picos R, mas ruim para classificação de fibrilação atrial).
2. A métrica de desempenho específica (ex: um sinal pode ser aceitável sob uma métrica tolerante, mas inaceitável sob uma métrica rigorosa para a mesma tarefa).

Isso leva a falsos positivos/negativos na rejeição de dados, onde sinais considerados "ruins" por um SQI genérico podem ser úteis para um algoritmo específico, ou vice-versa.

2. Metodologia Proposta

Os autores propõem uma nova abordagem chamada pSQI (perturbation-based Signal Quality Index), que formaliza a qualidade do sinal como um conceito dependente da tarefa e da métrica.

A. Formalização Teórica

O trabalho define dois requisitos fundamentais para um SQI ideal:

1. Monotonicidade: O valor esperado da métrica de desempenho deve aumentar estritamente à medida que o valor do SQI aumenta.
2. Maximização da Margem de Separação: O SQI deve permitir que um limiar (threshold) separe com a maior clareza possível as amostras onde o algoritmo tem bom desempenho daquelas onde tem mau desempenho.

B. O Algoritmo pSQI

Em vez de treinar um modelo com dados rotulados, o pSQI é livre de rótulos (label-free) e baseia-se na sensibilidade do algoritmo a perturbações:

• Hipótese: Sinais de baixa qualidade para uma tarefa específica são mais sensíveis a perturbações do que sinais de alta qualidade.
• Mecanismo: O pSQI calcula o pior caso da métrica de desempenho sob uma perturbação aditiva de ruído gaussiano colorido.
• Formulação de Otimização:
  $$q(x) = \min_{\theta} h(f(p_\theta(x)), f(x))$$
  Sujeito a restrições de Relação Sinal-Ruído (SNR) global e local. O objetivo é encontrar a perturbação que mais degrada a saída do algoritmo $f$, mantendo o SNR acima de um limite mínimo ($\gamma$ para global, $\beta$ para local).
• Modelo de Perturbação: Ruído gaussiano filtrado por um filtro passa-banda de Butterworth (para criar ruído "colorido").
• Solução: Como algoritmos e métricas médicas nem sempre são diferenciáveis, o problema de otimização é resolvido usando a estratégia evolutiva CMA-ES (Covariance Matrix Adaptation Evolution Strategy).

3. Principais Contribuições

1. Formalização Conceitual: Definição rigorosa de SQIs como entidades dependentes da tarefa e da métrica, estabelecendo requisitos teóricos de monotonicidade e separação.
2. Método pSQI: Introdução de um índice de qualidade baseado em perturbação que não requer dados de treinamento rotulados para ser aplicado a qualquer algoritmo ou métrica.
3. Validação Empírica: Demonstração de que o pSQI supera métodos baseados em aprendizado de máquina (redes neurais) e métodos baseados em características (feature-based) em múltiplas tarefas e modalidades.

4. Resultados Experimentais

Os autores avaliaram o pSQI em três benchmarks:

1. Detecção de Pico R (ECG): Usando o banco de dados GUDb.
2. Classificação de Fibrilação Atrial (AF) via ECG: Usando o banco de dados MIT-BIH AF.
3. Classificação de AF via PPG: Usando o subconjunto DeepBeat.

Comparação:
O pSQI foi comparado contra:

• fSQI: SQI baseado em características (treinado com XGBoost).
• dSQI: SQI baseado em Deep Learning (treinado com uma rede neural similar ao ECGFounder).

Desempenho (Margem de Separação $\Delta^*$):
O pSQI superou consistentemente os concorrentes em todos os cenários, indicando uma capacidade superior de distinguir entradas confiáveis das não confiáveis:

• Detecção de Pico R: pSQI (0.185) vs. dSQI (0.035) vs. fSQI (0.033).
• AF em ECG: pSQI (0.369) vs. dSQI (0.086) vs. fSQI (0.023).
• AF em PPG: pSQI (0.225) vs. dSQI (0.108) vs. fSQI (-0.038).

Análise de Casos:
O estudo de caso mostrou que o pSQI conseguiu identificar corretamente um sinal com picos R visíveis a olho nu, mas que o algoritmo de detecção falhou (classificando ondas T como picos R). O pSQI marcou esse sinal como de baixa qualidade para aquele algoritmo específico, enquanto os SQIs tradicionais (fSQI/dSQI) o classificaram erroneamente como de alta qualidade.

Sensibilidade a Hiperparâmetros:
A análise mostrou que os valores ótimos de SNR global e local dependem da tarefa. Tarefas que dependem de características robustas (como picos R) toleram mais ruído global, enquanto tarefas que dependem de características finas (como ondas P) exigem restrições de ruído local mais rigorosas.

5. Significado e Conclusão

Este trabalho representa uma mudança de paradigma na avaliação da qualidade de sinais médicos. Ao demonstrar que a "qualidade" não é uma propriedade intrínseca do sinal, mas sim relativa ao algoritmo e à métrica de decisão, o pSQI oferece uma ferramenta mais robusta para pipelines de IA em saúde.

• Vantagem Principal: Elimina a necessidade de grandes conjuntos de dados rotulados para treinar SQIs específicos, tornando-o aplicável a novos algoritmos e métricas instantaneamente.
• Limitações: O custo computacional é alto devido à otimização iterativa (CMA-ES) necessária para cada amostra de sinal.
• Futuro: Trabalhos futuros visam otimizar a resolução do problema para algoritmos diferenciáveis e estabelecer garantias matemáticas para os requisitos propostos.

Em resumo, o pSQI oferece um método mais preciso e adaptável para garantir que decisões clínicas automatizadas sejam baseadas apenas em dados de alta qualidade, reduzindo o risco de diagnósticos errôneos devido a artefatos de medição.