Resumo Técnico: Reconstrução Cruzada de Modalidades Mascarada Consciente da Fisiologia para Aprendizado de Representação de Sinais Biológicos

Declaração do Problema

Sinais biológicos adquiridos de diferentes locais do corpo frequentemente capturam visões temporalmente ordenadas do mesmo processo fisiológico subjacente. Um exemplo canônico é a relação entre a Eletrocardiografia (ECG), que registra a ativação elétrica que inicia uma batida cardíaca, e a Fotopletismografia (PPG), que registra o pulso periférico resultante, atrasado pela dinâmica vascular. Este fenômeno, denominado observabilidade temporal assimétrica, induz relações estruturadas e direcionais entre as modalidades.

No entanto, a maioria dos métodos existentes de aprendizado auto-supervisionado (SSL) para sinais biológicos trata diferentes modalidades como visões intercambiáveis. Eles tipicamente impõem concordância por meio de alinhamento contrastivo ou reconstrução conjunta simétrica, negligenciando as dinâmicas temporais direcionais que as ligam. Essa suposição obscurece a natureza ordenada no tempo da detecção fisiológica, onde o ECG precede a PPG, e os atrasos temporais são críticos para entender a dinâmica vascular e a saúde cardiovascular.

Metodologia: xMAE

Para abordar isso, os autores introduzem o xMAE, um framework de pré-treinamento de sinais biológicos fundamentado no princípio de que, quando as modalidades estão temporalmente ordenadas, o aprendizado de representação deve respeitar o fluxo de informação direcional.

Arquitetura Central e Objetivo

O xMAE reformula o autoencoder mascarado como um problema de inferência estruturada sob observabilidade temporal assimétrica:

1. Mascaramento Assimétrico: O modelo recebe sinais de PPG totalmente observados e sinais de ECG parcialmente observados (mascarados). Especificamente, blocos temporais contínuos cobrindo uma alta porcentagem (80–90%) do sinal de ECG são mascarados.
2. Reconstrução Cruzada Direcional: O objetivo é reconstruir os segmentos mascarados de ECG usando o sinal de PPG totalmente visível e o contexto restante de ECG visível.
3. Atenção Cruzada Direcional: A arquitetura emprega um mecanismo de atenção cruzada onde os tokens de ECG mascarados atuam como consultas (queries), e os tokens de PPG visíveis atuam como chaves e valores (keys and values). Isso força o modelo a raciocinar sobre a dependência fisiológica onde a PPG fornece uma visão atrasada da atividade elétrica capturada pelo ECG.
4. Estratégia de Mascaramento de Currículo: O treinamento começa com uma taxa de mascaramento de 80% e aumenta progressivamente para 90% em etapas à medida que a perda de reconstrução melhora. Este currículo impede que o modelo dependa de interpolação local trivial do sinal de ECG nas fases iniciais, forçando-o a aprender transições temporais cruzadas à medida que a dificuldade da tarefa aumenta.

Dados e Treinamento

• Pré-treinamento: O modelo é pré-treinado em aproximadamente 9,4 mil horas de gravações pareadas de ECG-PPG do banco de dados MIMIC-III (ambiente de cuidados intensivos).
• Avaliação: O codificador de PPG aprendido é transferido para 19 tarefas downstream em 6 conjuntos de dados (incluindo ambientes de laboratório e de vida livre) envolvendo condições cardiovasculares, estadiamento do sono, detecção de exames laboratoriais anormais e inferência demográfica. A avaliação utiliza sondagem linear com validação cruzada ao nível do sujeito.

Resultados Chave

O artigo relata que o xMAE produz representações que superam tanto as linhas de base unimodais quanto as multimodais em 15 das 19 tarefas downstream.

• Desempenho de Classificação: O xMAE alcançou melhorias estatisticamente significativas em tarefas como detecção de hipertensão (AUROC 68,8 vs. 56,8 para a próxima melhor), detecção de batimentos ectópicos (87,8 vs. 86,2) e detecção de exames laboratoriais anormais (A1C: 65,1 vs. 52,5).
• Desempenho de Regressão: O modelo demonstrou menor Erro Absoluto Médio (MAE) na estimativa de pressão arterial e na previsão de idade em comparação com modelos unimodais apenas de PPG e outras linhas de base multimodais.
• Eficiência de Dados: Apesar de usar significativamente menos dados de pré-treinamento (9,4 mil horas) e menos parâmetros (6,5 milhões) em comparação com modelos fundacionais de código aberto em grande escala (por exemplo, Pulse-PPG com 28,5 milhões de parâmetros e 55 mil horas de dados), o xMAE alcançou desempenho competitivo ou superior.
• Fundamentação Fisiológica: A análise das representações aprendidas revelou que o xMAE preserva melhor a estrutura de temporização ECG-PPG. O erro mediano na estimativa do atraso fisiológico (pico R até o início da PPG) foi de 21,5 ms para o xMAE, uma redução de 53,3% em comparação com uma linha de base simétrica multimodal MAE. Além disso, os recursos de VFC (Variabilidade da Frequência Cardíaca) derivados do ECG reconstruído pelo xMAE mostraram menor erro do que aqueles derivados da PPG bruta, indicando que o modelo codifica dinâmicas significativas de batimento a batimento.

Significado e Alegações

Os autores afirmam que o xMAE demonstra a eficácia de incorporar estrutura temporal e vieses indutivos direcionais no pré-treinamento multimodal.

• Além da Fidedignidade da Forma de Onda: Diferentemente de trabalhos anteriores que tratam a geração de ECG a partir de PPG como uma tarefa de síntese de sinal otimizada para realismo da forma de onda, o xMAE usa a reconstrução de ECG como um andaime durante o treinamento. O objetivo não é gerar formas de onda de ECG perfeitas, mas aprender abstrações temporais transferíveis que refletem o processo fisiológico subjacente.
• Generalização: O framework mostra que modelar transições temporais cruzadas pode ser tão importante quanto aumentar a escala do modelo ou expandir o volume de dados de pré-treinamento. As representações aprendidas generalizam-se entre diferentes dispositivos, locais do corpo e configurações de aquisição.
• Aplicabilidade Mais Ampla: Os autores postulam que esta abordagem é aplicável a outros sinais biológicos pareados que observam diferentes estágios de um processo subjacente compartilhado, como ECG-balistocardiografia ou EMG-movimento, oferecendo uma alternativa principiante às suposições de "visão intercambiável" comuns no pré-treinamento multimodal atual.

O artigo conclui que, ao respeitar a relação direcional entre sinais cardiovasculares elétricos e mecânicos, o xMAE apoia um aprendizado de representação mais interpretável e fundamentado fisiologicamente, o que é crítico para o desenvolvimento de modelos fundacionais confiáveis para aplicações em saúde.