Resumo Técnico: Gargalos de Informação de Precisão Mista para Desentrelaçamento de Traço-Estado em Dispositivos na Detecção de Agitação Bipolar

1. Declaração do Problema

O artigo aborda o desafio do monitoramento contínuo, em dispositivo, da agitação do transtorno bipolar (TB) por meio de biomarcadores vocais. Uma barreira crítica neste domínio é o desentrelaçamento de traço-estado: a necessidade de separar características estáveis do falante (traços, como anatomia do trato vocal e prosódia habitual) de sinais afetivos voláteis (estados, como variação de altura relacionada à agitação e mudanças na taxa de fala).

As abordagens existentes enfrentam três limitações primárias:

1. Privacidade e Latência: Sistemas atuais dependem de inferência baseada em nuvem com modelos pré-treinados grandes, criando barreiras relacionadas à conectividade, latência e privacidade do paciente.
2. Custo Computacional: Métodos tradicionais de desentrelaçamento (treinamento adversarial, minimização de informação mútua, quantização vetorial) são computacionalmente caros, instáveis durante o treinamento e inadequados para dispositivos de borda com recursos limitados.
3. Generalização com Poucos Dados: Modelos fundacionais (por exemplo, WavLM, ECAPA-TDNN) com milhões de parâmetros falham em generalizar em pequenos conjuntos de dados clínicos (N=833 participantes) devido ao sobreajuste, frequentemente performando pior que o acaso.

Os autores formulam três perguntas de pesquisa: A assimetria de precisão numérica pode servir como um mecanismo de desentrelaçamento? Qual é a alocação ótima de largura de bits para maximizar a previsão de agitação enquanto suprime o vazamento de identidade? O framework pode operar dentro das restrições estritas de computação, memória e privacidade do monitoramento contínuo em dispositivo?

2. Metodologia: Framework MP-IB

Os autores propõem o MP-IB (Gargalo de Informação de Precisão Mista), um framework que trata a própria precisão numérica como um gargalo de informação para alcançar a separação traço-estado sem treinamento adversarial.

2.1. Insight Central: Precisão como Gargalo de Informação

Fundamentado na teoria taxa-distorção, o MP-IB atribui diferentes larguras de bits a diferentes cabeças de representação para controlar a capacidade de informação no nível de hardware:

• Cabeça de Traço (FP16): Codifica a identidade estável do falante com alta capacidade (1.024 bits para um vetor de 64 dimensões).
• Cabeça de Estado (INT4): Codifica a agitação volátil com baixa capacidade (128 bits para um vetor de 32 dimensões).
  Isso cria uma assimetria de informação de 8×. A restrição INT4 força a cabeça de estado a descartar informações relacionadas à identidade, enquanto a cabeça FP16 a preserva. Isso opera no nível aritmético, permitindo aceleração SIMD de inteiros compactados e unificando compressão com desentrelaçamento.

2.2. Arquitetura e Componentes

• Codificador Compartilhado: Um MobileNetV3-Small (quantizado para INT8) processa espectrogramas log-Mel de 96×64.
• Autoencoder Temporal Mascarado (T-MAE): Para abordar a escassez de dados pequenos, o codificador compartilhado é pré-treinado em 12.000 horas de dados não rotulados do Bridge2AI-Voice usando um objetivo T-MAE (reconstruindo patches de espectrograma mascarados). Isso fornece um aumento significativo de desempenho sobre linhas de base que carecem de pré-treinamento no domínio.
• Perda de Precisão Ortogonal (OPL): Uma função de perda determinística que impõe ortogonalidade entre os embeddings de traço e estado. Diferentemente das camadas de reversão de gradiente, a OPL opera em embeddings convertidos para cima para fornecer gradientes estáveis sem dinâmicas adversariais.
• Agendamento Dinâmico de Precisão (DPS): Um mecanismo adaptativo que ajusta a precisão efetiva da cabeça de estado com base na incerteza de entrada (estimada via variância de dropout de Monte Carlo). Isso dispara maior precisão (INT6) para entradas desafiadoras (por exemplo, patologia vocal, sussurros) para manter a precisão.
• Fusão Temporal Multiescala (MSTF): Agrega embeddings de estado em três resoluções temporais (0,5s, 2s, 10s) usando atenção aprendida, enquanto usa pooling médio para fusão de traços.

2.3. Mecanismo de Privacidade

Para prevenir a reidentificação do falante a partir de embeddings de traço armazenados, o sistema emprega perturbação de saída durante a fase única de integração. Ruído Gaussiano calibrado ($\sigma = 25,3$) é injetado nos embeddings de traço, reduzindo o sucesso de ataques de inferência de associação (MIA) a níveis próximos do acaso, mantendo a utilidade clínica.

3. Contribuições Principais

1. Desentrelaçamento Baseado em Precisão: O primeiro framework a usar quantização de precisão mista (FP16 vs. INT4) como um gargalo de informação principista para separação clínica de traço-estado, validado por um limite formal de capacidade teórico-informacional (Teorema 3.1).
2. Implantação em Borda Preservadora de Privacidade: Um protocolo de implantação assimétrico alcançando uma pegada de 617 KB e latência ponta a ponta de 23,4 ms em um Raspberry Pi Zero 2W (dispositivo sub-20 dólares). O sistema suprime o vazamento de identidade para níveis próximos do acaso (EER=0,42, MIA-AUC=0,52).
3. Validação Empírica Rigorosa: Estudos de ablação sistemáticos, testes de significância estatística (Wilcoxon pareado) e métricas abrangentes de vazamento (EER, Top-k, estimativa de MI) demonstrando superioridade sobre modelos fundacionais e métodos clássicos de desentrelaçamento em dados clínicos pequenos.

4. Resultados Experimentais

Avaliado no Bridge2AI-Voice (N=833, 4 sessões/participante) com validação cruzada estrita independente do falante:

• Previsão de Agitação: O MP-IB alcança uma correlação de Spearman de $\rho = 0,117$ (IC 95%: [0,089, 0,145], p=0,003 vs. acaso).
  • Supera o WavLM-Adapter de 94M parâmetros ($\rho = -0,042$) e o ECAPA-TDNN-Adapter ($\rho = -0,031$).
  • Supera o $\beta$-VAE ($\rho = 0,089$) e a Minimização de MI ($\rho = 0,095$) em 2,8–2,8 pontos.
  • Supera características de prosódia feitas manualmente ($\rho = 0,031$) em 8,6 pontos.
• Vazamento de Identidade: A cabeça de estado alcança uma Taxa de Erro Igual (EER) de 0,42 (próximo ao acaso 0,50) e uma precisão de identificação de falante Top-1 de 0,083 (10× acima do acaso, mas significativamente menor que as linhas de base). Com injeção de ruído, o MIA-AUC cai para 0,52.
• Transferência Zero-Shot: No conjunto de dados CREMA-D (detecção de raiva como proxy de agitação), o MP-IB alcança um AUC de 0,817, superando as linhas de base $\beta$-VAE e minimização de MI.
• Eficiência: O sistema consome ~318 Wh/ano para monitoramento contínuo, representando uma redução de energia de 140× comparado a um pipeline realista nuvem-móvel.

Achados de Ablação:

• O Pré-treinamento T-MAE é o maior contribuinte único (+0,083 $\rho$), mitigando o sobreajuste em dados pequenos.
• A Assimetria de Precisão contribui com +0,052 $\rho$ comparado à quantização uniforme.
• A OPL contribui com +0,036 $\rho$.
• DPS e MSTF fornecem benefícios marginais e podem ser desativados para redução de latência sem perda significativa de desempenho.

5. Significado e Alegações

O artigo alega que o MP-IB demonstra que arquiteturas conscientes de precisão com gargalos estruturados podem superar tanto modelos fundacionais impulsionados por escala quanto abordagens clássicas de desentrelaçamento quando os dados são escassos e a privacidade é primordial.

As alegações principais incluem:

• Modelos Pequenos Vencem: Em pequenos conjuntos de dados clínicos, modelos compactos com vieses indutivos apropriados (assimetria de precisão) superam modelos fundacionais massivos que sofrem de sobreajuste severo.
• Aprendizado Consciente de Hardware: A precisão numérica é uma "escolha de design de primeira classe" para aprendizado de representação, oferecendo um mecanismo para alocação de informação que é computacionalmente eficiente e fundamentado teoricamente.
• Utilidade Clínica: Embora a correlação ($\rho = 0,117$) seja modesta, ela permite monitoramento clinicamente significativo com um tempo médio até a detecção de 4,2 horas, superando a latência de 8–12 horas das observações de enfermeiras em internação. Os autores posicionam o sistema como um auxílio à decisão do clínico (sinalizando episódios potenciais) em vez de um sistema de alerta autônomo, notando que mais validação é necessária para implantação autônoma.

O trabalho estabelece uma nova direção para monitoramento psiquiátrico baseado em borda, provando que a separação de alta fidelidade de traço-estado é alcançável em hardware sub-20 dólares sem comprometer a privacidade ou exigir infraestrutura de nuvem.