Electrocardiogram Classification with Transformers Using Koopman and Wavelet Features

Este artigo demonstra que a combinação de características baseadas no operador de Koopman (aproximado via EDMD com dicionário de funções de base radial) e transformadores supera tanto as abordagens baseadas apenas em wavelets quanto sistemas híbridos na classificação multiclasse de eletrocardiogramas, oferecendo insights interpretáveis sobre a dinâmica cardíaca.

O essencial

Imagine que o coração é como um maestro regendo uma orquestra complexa. Quando tudo está bem, a música é perfeita. Mas, quando há um problema (uma arritmia), a música fica descompassada, com notas erradas ou ritmos estranhos. O eletrocardiograma (ECG) é a partitura que os médicos usam para ouvir essa música e diagnosticar o que está acontecendo.

O problema é que essa "música" cardíaca é muito complexa e muda o tempo todo. Ensinar um computador a entender essas variações e dizer: "Ei, isso é normal" ou "Isso é um perigo cardíaco" é um desafio enorme.

Este artigo é sobre uma nova tentativa de ensinar computadores a serem "maestros digitais" usando duas ferramentas muito diferentes: Transformadores (uma inteligência artificial moderna) e uma mistura de Matemática de Ondas e Dinâmica de Sistemas.

Aqui está a explicação passo a passo, usando analogias simples:

1. O Problema: Ouvir a Música do Coração

Os métodos antigos olhavam para a partitura e tentavam contar as notas manualmente (características feitas à mão). Métodos mais novos, como Redes Neurais, tentam ouvir a música inteira, mas às vezes eles "alucinam" ou não entendem a lógica por trás da música (são caixas-pretas difíceis de explicar).

Os autores queriam algo que fosse preciso e explicável.

2. As Duas Ferramentas Mágicas

Para resolver isso, eles usaram duas abordagens matemáticas para transformar o som do coração em algo que o computador entende melhor:

• A Abordagem das Ondas (Wavelets):
  Imagine que você tem uma música e quer saber exatamente quando e qual nota foi tocada. A transformada de onda é como um microscópio de tempo. Ela quebra o sinal do coração em pedaços pequenos e analisa a frequência de cada momento. É excelente para ver detalhes rápidos, como um "pulo" no ritmo.

  • Resultado: Funcionou muito bem para dizer apenas "Está tudo bem" ou "Algo está errado" (Classificação Binária).

• A Abordagem do Espelho Mágico (Operador de Koopman):
  Esta é a parte mais complexa, mas vamos simplificar. Imagine que o coração é uma máquina complexa e não linear (caótica). O Operador de Koopman é como um espelho mágico que projeta essa máquina complexa em um mundo onde tudo é linear e previsível.
  Eles usam uma técnica chamada EDMD (Decomposição de Modo Dinâmico Estendida) para criar esse espelho. É como se eles tirassem o sinal do coração e o colocassem em uma sala de espelhos onde os padrões de movimento se tornam óbvios e fáceis de medir. Eles extraem "modos" (padrões de vibração) que contam a história da dinâmica do coração.

  • Resultado: Funcionou melhor quando precisavam distinguir qual tipo de problema era (ex: Fibrilação Atrial vs. Bloqueio vs. Normal).

3. O Cérebro: O Transformer

Depois de transformar o sinal do coração nessas "imagens matemáticas" (seja via Ondas ou via Espelho Mágico), eles jogaram tudo para dentro de um Transformer.
Pense no Transformer como um super-leitor que consegue entender contextos longos. Ele não olha apenas uma nota, ele olha a frase inteira e entende a história.

4. O Grande Experimento: Misturar as Coisas?

Os pesquisadores testaram quatro cenários:

1. Ondas + Transformer: Funcionou bem para o "Sim/Não".
2. Espelho Mágico (Koopman) + Transformer: Funcionou mal no início, mas...
3. Mistura (Ondas + Espelho) + Transformer: Falhou!
   • A Analogia: Imagine tentar ouvir uma música ouvindo ao mesmo tempo um violino e um saxofone, mas sem saber qual é qual. O computador ficou confuso. As duas ferramentas estavam dizendo coisas muito parecidas (redundantes) ou se atrapalhando, em vez de se ajudarem.
4. Espelho Mágico Ajustado + Transformer: O Grande Vencedor!
   • Eles perceberam que o "Espelho Mágico" (Koopman) precisava de um ajuste fino. Eles mudaram os "parâmetros do espelho" (como o tamanho dos espelhos e a distância entre eles).
   • Ao fazer esse ajuste fino (usando uma "biblioteca de funções" específica chamada RBF), o sistema ficou incrível. Ele superou até mesmo a abordagem das ondas e a mistura confusa.

5. O Resultado Final e a "Reconstrução"

O melhor sistema (Koopman ajustado + Transformer) não só acertou o diagnóstico, mas também conseguiu reconstruir a música original a partir dos dados matemáticos.

• Eles conseguiram "tocar de volta" o sinal do coração usando apenas os padrões matemáticos que aprenderam.
• Isso é importante porque prova que o computador realmente entendeu a dinâmica do coração, e não apenas decorou padrões. É como se o computador pudesse dizer: "Eu sei como o coração deveria tocar, e aqui está a diferença".

Resumo em Uma Frase

Os autores descobriram que, para ensinar um computador a diagnosticar problemas cardíacos complexos, não adianta apenas misturar tudo. É melhor usar uma ferramenta matemática sofisticada (Koopman) que transforma o caos do coração em padrões claros, ajustá-la com cuidado e deixá-la ler o resultado com um cérebro de IA moderno (Transformer). Isso funciona melhor do que tentar juntar duas ferramentas diferentes de qualquer jeito.

O que isso significa para o futuro?
Isso abre a porta para diagnósticos automáticos mais precisos e, o mais importante, explicáveis. Em vez de a IA dizer "está doente" sem motivo, ela pode mostrar quais padrões de movimento do coração indicam o problema, ajudando os médicos a entenderem melhor o que está acontecendo.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "Electrocardiogram Classification with Transformers Using Koopman and Wavelet Features", apresentado em português:

1. Problema e Contexto

A análise de Eletrocardiograma (ECG) é fundamental para a detecção de anomalias cardíacas. No entanto, a classificação automatizada robusta é desafiadora devido à complexidade e variabilidade dos sinais fisiológicos.

• Limitações Atuais: Métodos tradicionais dependem de características manuais (tempo/frequência), enquanto modelos de aprendizado profundo (CNNs e RNNs) enfrentam dificuldades em interpretabilidade e na captura precisa da dinâmica fisiológica subjacente.
• Oportunidade: Embora as Transformadas Wavelet sejam eficazes para capturar estruturas tempo-frequenciais locais e os Transformers sejam state-of-the-art para dependências de longo prazo, a integração de Teoria de Sistemas Dinâmicos (especificamente o Operador de Koopman) com Transformers para ECG ainda não foi explorada.

2. Metodologia

Os autores propõem um pipeline que combina a extração de características baseada em sistemas dinâmicos com arquiteturas Transformer.

• Base de Dados: Utilização do conjunto de dados MIMIC-IV-ECG, focando em sinais de 12 derivações com rótulos diagnósticos.
• Tarefas de Classificação:
  1. Binária: Normal vs. Não-Normal.
  2. Quatro Classes: Normal, Fibrilação Atrial (AFib), Arritmia Ventricular e Bloqueio de Condução.
• Abordagens de Extração de Características:
  • Wavelet: Uso da Transformada Wavelet Discreta (DWT) para representação multirresolução.
  • Koopman (EDMD): Uso da Decomposição Dinâmica de Modo Estendida (EDMD) para aproximar o Operador de Koopman. O método utiliza um dicionário de Funções de Base Radial (RBF) para "levantar" os dados não lineares para um espaço de características de dimensão superior onde a dinâmica é linear. As características extraídas incluem componentes reais, imaginários, magnitudes e taxas de crescimento dos autovalores.
  • Híbrido: Concatenação direta das características de Wavelet e Koopman antes do encoder Transformer.
  • Refinamento: Uma versão otimizada do método Koopman, onde hiperparâmetros do EDMD (dimensão de delay embedding, número de centros RBF, largura do kernel e truncamento espectral) são ajustados sistematicamente.
• Classificador: Um Transformer recebe os tokens de características (seja de Wavelet, Koopman ou híbrido) e os mapeia para previsões de classe.
• Análise de Reconstrução: O framework Koopman permite reconstruir o sinal ECG a partir dos modos dominantes, servindo como validação da adequação da representação e fornecendo insights interpretáveis sobre a dinâmica aprendida.

3. Contribuições Principais

1. Estudo Sistemático: Primeira avaliação sistemática de características baseadas no Operador de Koopman combinadas com Transformers para classificação de ECG.
2. Benchmarking: Comparação rigorosa contra bases de linha (Wavelet + Transformer e RNNs em dados brutos), esclarecendo os pontos fortes de cada abordagem.
3. Otimização de Koopman: Demonstração de que o refinamento dos hiperparâmetros de extração de características do Koopman (especificamente o dicionário RBF) supera significativamente as abordagens padrão e os sistemas híbridos simples.
4. Interpretabilidade: Apresentação de uma análise de reconstrução e espectro de autovalores que conecta a classificação a padrões dinâmicos cardíacos (ex: modos oscilatórios associados aos ritmos).

4. Resultados Experimentais

Os resultados foram avaliados usando a pontuação F1 em um conjunto de teste hold-out (5 execuções):

• Classificação Binária:
  • Wavelet + Transformer: Desempenho forte (F1 = 0.750). Características tempo-frequenciais são ideais para distinguir anomalias gerais.
  • Koopman + Transformer (Inicial): Desempenho inferior (F1 = 0.697).
  • Sistema Híbrido (Wavelet + Koopman): Pior desempenho (F1 = 0.677), indicando redundância ou desalinhamento entre os espaços de características.
  • Koopman + Transformer (Refinado): Melhor desempenho global (F1 = 0.786), superando tanto a base Wavelet quanto o RNN (F1 = 0.782).
• Classificação de Quatro Classes:
  • Koopman + Transformer (Refinado): Superior (F1 = 0.764), demonstrando que os modos dinâmicos do Koopman capturam nuances que separam melhor os subtipos de arritmia.
  • Wavelet + Transformer: Competitivo, mas inferior ao Koopman refinado (F1 = 0.700).
  • Sistema Híbrido: Desempenho muito pobre (F1 = 0.533), confirmando que a concatenação simples não é suficiente para fundir espaços heterogêneos.
• Reconstrução: A reconstrução do sinal ECG via EDMD mostrou erro baixo, coincidindo com a morfologia P-QRS-T e o timing batimento-a-batimento, validando que o operador capturou a dinâmica essencial.

5. Significado e Conclusão

O trabalho demonstra que a integração da Teoria de Sistemas Dinâmicos (via Operador de Koopman) com Transformers é uma via promissora para a classificação de séries temporais biomédicas.

• Insight Chave: Características baseadas em Wavelet são excelentes para detecção binária de anomalias, enquanto características baseadas em Koopman (quando otimizadas) são superiores para distinção de classes múltiplas e complexas.
• Falha da Fusão Simples: A simples concatenação de características não melhora o desempenho, sugerindo que as duas abordagens capturam informações parcialmente sobrepostas e que estratégias de fusão mais sofisticadas (ex: atenção cruzada) seriam necessárias.
• Impacto Futuro: O framework oferece não apenas alta precisão, mas também interpretabilidade através da análise espectral e reconstrução de modos, permitindo insights sobre a dinâmica cardíaca que modelos de "caixa preta" puramente baseados em dados não fornecem. O método é escalável e pode ser estendido para outros sinais biomédicos, como EEG e PPG.