PAMG-AT: A Physiological Attention Multi-Graph Model with Adaptive Topology for Stress Detection using Wearable Devices

Este estudo apresenta o PAMG-AT, um modelo hierárquico de redes neurais em grafos com atenção fisiológica e topologia adaptativa que, ao integrar sinais multimodais de dispositivos vestíveis, alcança alta precisão na detecção de estresse e oferece interpretabilidade clínica ao revelar as relações cardiológicas e eletrodérmicas mais preditivas.

O essencial

Imagine que o seu corpo é como uma orquestra complexa. Quando você está calmo, os instrumentos tocam suavemente e em harmonia. Mas, quando você está sob estresse, o maestro (seu sistema nervoso) começa a acelerar o ritmo: o coração bate mais rápido, a pele fica úmida, a respiração fica curta e a temperatura muda.

O problema é que, até hoje, a maioria dos computadores que tentam detectar esse estresse olhava para cada instrumento separadamente, como se um violinista estivesse tocando sozinho, ignorando como o baterista e o flautista estão reagindo juntos. Além disso, os melhores computadores atuais funcionam como uma "caixa preta": eles dizem "você está estressado", mas não explicam por que chegaram a essa conclusão, o que assusta médicos e usuários.

Este artigo apresenta uma nova solução chamada PAMG-AT. Pense nela como um maestro inteligente que não apenas ouve a música, mas entende a conexão entre os instrumentos.

Aqui está como funciona, explicado de forma simples:

1. O Mapa de Conexões (O "Gráfico")

Em vez de jogar todos os dados num saco, o PAMG-AT cria um mapa de conexões (um gráfico).

• Os Nós (Pontos): São os sinais do seu corpo (batimento cardíaco, suor, respiração, temperatura).
• As Linhas (Conexões): Representam como esses sinais se relacionam na vida real. Por exemplo, quando você fica nervoso, seu coração acelera e sua pele fica úmida ao mesmo tempo. O modelo sabe que essas duas coisas estão "casadas" e as conecta no mapa.

2. O Olho Atento (Atenção)

A parte mais genial é que o modelo tem "olhos" que sabem onde olhar.
Imagine que você está tentando adivinhar se alguém está nervoso em uma festa. Você não olha para tudo o tempo todo; você foca no suor da testa ou na mão trêmula.
O PAMG-AT faz o mesmo. Ele usa um mecanismo de atenção para dizer: "Neste momento, a conexão entre o coração e o suor é o que mais importa para saber se a pessoa está estressada". Isso torna o modelo explicável: ele pode mostrar ao médico: "Eu detectei estresse porque vi que o coração e a pele reagiram juntos dessa forma".

3. O Relógio (Tempo)

O estresse não acontece num piscar de olhos; ele evolui. O modelo também olha para o tempo. Ele não analisa apenas um segundo, mas uma sequência de 50 segundos, entendendo como o corpo entra no modo de estresse, fica lá e depois se acalma. É como assistir a um filme em vez de olhar apenas para uma foto.

4. Os Testes (O que eles descobriram)

Os pesquisadores testaram esse "maestro" usando dados de 15 pessoas que passaram por situações estressantes (como falar em público). Eles usaram três tipos de sensores:

• No Peito (Científico): Sensores de alta precisão. O modelo acertou 94,6% das vezes.
• No Pulso (Relógio Inteligente): Sensores comuns em smartwatches. O modelo acertou 91,8% das vezes. Isso é ótimo! Significa que você não precisa de um colete de sensores no peito; seu relógio atual já pode fazer um trabalho excelente.
• Mistura (Peito + Pulso): Surpreendentemente, usar os dois juntos não foi melhor do que usar só o peito. Foi como tentar ouvir uma orquestra com dois maestros ao mesmo tempo; às vezes, o excesso de informação atrapalha.

5. A Descoberta Importante: Os "Silenciosos"

O modelo encontrou algo muito valioso: algumas pessoas (cerca de 20%) têm uma reação física ao estresse muito fraca. Elas estão mentalmente estressadas, mas o coração e a pele não mudam tanto.

• Por que isso importa? Se um sistema de saúde usar apenas sensores, ele pode dizer "tudo bem" para essas pessoas, quando na verdade elas estão sofrendo. O PAMG-AT consegue identificar que essas pessoas são "diferentes" (baixa resposta), o que ajuda a criar tratamentos personalizados.

Resumo Final

O PAMG-AT é como um detetive médico que:

1. Entende como o corpo funciona em conjunto (não isoladamente).
2. Explica suas suspeitas (não é uma caixa preta).
3. Funciona bem até mesmo em relógios inteligentes comuns.
4. Identifica quando alguém precisa de ajuda extra porque seu corpo não "grita" o estresse da maneira usual.

É um passo gigante para transformar a detecção de estresse de um truque de mágica incompreensível em uma ferramenta médica confiável e transparente.

Resumo técnico

Resumo Técnico: PAMG-AT para Detecção de Estresse

1. Problema e Motivação

A detecção de estresse baseada em sensores vestíveis é crucial para a saúde digital e a computação afetiva. No entanto, as abordagens atuais enfrentam três desafios principais:

• Falta de Interpretabilidade: Modelos de aprendizado profundo (Deep Learning) de alto desempenho atuam como "caixas pretas", oferecendo pouca compreensão dos processos fisiológicos subjacentes às suas previsões, o que limita sua adoção clínica.
• Ignorância das Relações Inter-sinais: Técnicas convencionais de aprendizado de máquina frequentemente analisam sinais fisiológicos (como ECG, EDA, respiração) de forma isolada, negligenciando as conexões complexas e acoplamentos fisiológicos que ocorrem durante a resposta ao estresse.
• Variabilidade Interindividual: A resposta ao estresse varia significativamente entre indivíduos. Alguns são "baixos respondedores" (low-responders), apresentando respostas fisiológicas atenuadas, o que dificulta a detecção padronizada.

O objetivo deste estudo é desenvolver um modelo que não apenas atinja alta precisão na detecção de estresse, mas que também seja interpretável, incorporando conhecimento fisiológico de domínio e modelando explicitamente as relações entre os sinais.

2. Metodologia: Arquitetura PAMG-AT

O estudo propõe o PAMG-AT (Physiological Attention Multi-Graph with Adaptive Topology), uma arquitetura hierárquica de Rede Neural de Grafos (GNN). O modelo opera em quatro etapas principais:

• Construção do Grafo Baseada em Conhecimento:

  • Nós: Representam características fisiológicas extraídas (ex: frequência cardíaca, condutância da pele, temperatura).
  • Arestas Intra-sinal: Conectam características dentro do mesmo sinal (ex: todas as métricas de ECG), formando subgrafos completos.
  • Arestas Inter-sinal: Baseadas em mecanismos fisiológicos conhecidos, conectando diferentes sistemas (ex: acoplamento cardíaco-dermal, interação cardio-respiratória via arritmia sinusal respiratória, termorregulação).
  • Arestas Cross-modality (Configuração Híbrida): Conectam sinais correspondentes de sensores torácicos e de pulso (ex: ECG no peito vs. BVP no pulso).

• Codificador Espacial (Hierarquia de Atenção):

  • Utiliza Graph Attention Networks (GATv2) para processar o grafo em dois níveis:
    1. Atenção Intra-sinal: Identifica quais características dentro de um mesmo sinal são mais relevantes.
    2. Atenção Inter-sinal: Aprende a importância das conexões entre diferentes sistemas fisiológicos.
  • O uso de attention weights permite que o modelo pondere dinamicamente quais relações fisiológicas são mais preditivas para o estresse.

• Codificador Temporal (Transformer):

  • Sequências de janelas temporais (5 janelas de 10 segundos, totalizando 50 segundos) são processadas por um Transformer. Isso captura a evolução dinâmica do estresse ao longo do tempo, modelando fases de início, platô e recuperação.

• Classificação:

  • Um cabeçalho de MLP (Multi-Layer Perceptron) realiza a classificação binária (Estresse vs. Não Estresse) com base nas embeddings temporais e espaciais.

3. Contribuições Principais

1. Construção de Grafo Orientada por Domínio: Integra conhecimento fisiológico explícito (acoplamentos conhecidos) na estrutura do grafo, ao contrário de abordagens puramente baseadas em dados.
2. Arquitetura Hierárquica de Atenção: Separa a modelagem de relações dentro de um sinal e entre sinais, permitindo uma interpretação granular das decisões do modelo.
3. Estratégia de Fusão Cross-Modality: Introduz conexões explícitas entre sensores de diferentes locais corporais (peito e pulso) para configurações híbridas.
4. Análise de Baixo Respondedor: Identifica e analisa subgrupos de indivíduos com respostas fisiológicas atenuadas, fornecendo insights clínicos valiosos.
5. Validação Rigorosa: Utiliza validação Leave-One-Subject-Out (LOSO), considerada o padrão-ouro para garantir que o modelo generalize para novos usuários, evitando vazamento de dados de indivíduos específicos.

4. Resultados Experimentais

O modelo foi avaliado no conjunto de dados WESAD (15 participantes) usando validação LOSO em três configurações de sensores:

• Desempenho Geral:

  • Sensores Torácicos (Chest-only): 94,59% de precisão (±6,8%). Este resultado é competitivo, ficando apenas 0,62 pontos abaixo do estado da arte atual (95,21%) em validação LOSO, mas com a vantagem da interpretabilidade.
  • Sensores de Pulso (Wrist-only): 91,76% de precisão (±9,2%). Demonstra que dispositivos vestíveis comerciais (como smartwatches) são viáveis para detecção clínica de estresse.
  • Configuração Híbrida: 92,80% de precisão. Curiosamente, a fusão simples de sensores não superou o sensor torácico isolado, sugerindo que os dados do pulso podem introduzir ruído ou redundância quando combinados diretamente com dados torácicos de alta qualidade.

• Análise de Interpretabilidade:

  • Os pesos de atenção revelaram que o acoplamento ECG-EDA (ativação simpática simultânea) é a relação mais preditiva (peso de 0,18), seguida pela interação ECG-Respiração (0,15). Isso valida que o modelo aprendeu mecanismos fisiológicos reais.

• Análise por Sujeito:

  • O modelo apresentou desempenho variável entre indivíduos. Três sujeitos (S2, S3, S9) foram identificados como "baixos respondedores" com precisões entre 81-87%, devido a respostas fisiológicas atenuadas ao estresse, um achado clinicamente relevante para personalização.

5. Significado e Implicações

• Equilíbrio entre Precisão e Explicabilidade: O PAMG-AT demonstra que é possível alcançar desempenho próximo ao estado da arte em modelos de "caixa preta" enquanto se oferece transparência sobre como e por que uma decisão de estresse foi tomada. Isso é fundamental para a aceitação clínica.
• Viabilidade em Dispositivos Comerciais: A alta precisão na configuração de pulso (91,76%) apoia a implementação de sistemas de monitoramento de estresse em tempo real em smartwatches e fitness trackers.
• Insights Clínicos: A capacidade de identificar "baixos respondedores" através da análise de erro do modelo sugere que sistemas futuros devem ser adaptados individualmente ou combinar sinais fisiológicos com autorrelatos para cobrir toda a população.
• Direção Futura: O estudo sugere que a fusão de sensores não é trivial e que estratégias de fusão mais sofisticadas (peso aprendido dinamicamente) podem ser necessárias para superar a performance de sensores individuais de alta qualidade.

Em suma, o PAMG-AT representa um avanço significativo na computação afetiva, unindo redes neurais gráficas, conhecimento fisiológico e mecanismos de atenção para criar sistemas de detecção de estresse que são não apenas precisos, mas também confiáveis e explicáveis.