A Two-Stage Audio Cascade with Coordinate Attention for On-Device Snore and Sleep Apnea Detection

Problema

A Apneia Obstrutiva do Sono (AOS) é um distúrbio crônico prevalente com riscos significativos à saúde, porém estima-se que 80–90% dos casos permaneçam não diagnosticados globalmente. O padrão ouro clínico, a polissonografia (PSG) em laboratório, é caro, inacessível para muitos e fornece apenas um registro de uma única noite. Embora o áudio de smartphones ofereça uma alternativa de triagem de baixo custo e sem contato, as abordagens atuais de aprendizado profundo enfrentam dois desafios de engenharia primários:

1. Estrutura Temporal: Redes Neurais Convolucionais (CNNs) 1D padrão frequentemente aplicam uma ponderação uniforme através dos passos temporais, falhando em capturar as fases temporais clinicamente significativas dos eventos de apneia (início, platô de silêncio e recuperação).
2. Implantação na Borda (Edge Deployment): Muitos modelos de alta precisão exigem inferência na nuvem devido ao seu tamanho, comprometendo a privacidade e a capacidade de tempo real em dispositivos de consumo.

O desafio central de engenharia abordado é se uma rede neural leve, operando inteiramente em um smartphone usando apenas o microfone integrado, pode detectar eventos de respiração perturbada durante o sono com sensibilidade clinicamente significativa, mantendo uma baixa latência de inferência.

Metodologia

Os autores propõem uma cascata de áudio em duas etapas para dispositivos de borda (on-device) projetada para inferência em dispositivos móveis.

Etapa 1: Detecção de Ronco de Janela Curta

• Entrada: Segmentos de áudio de 1 segundo convertidos em matrizes de coeficientes cepstrais de frequência Mel (MFCC) de 15 × 13.
• Arquitetura: Uma CNN 2D compacta (301.473 parâmetros) classifica cada segmento como "ronco" ou "não ronco".
• Saída: Uma flag binária (0 ou 1) amostrada a 1 Hz.

Etapa 2: Detecção de Apneia/Hipopneia de Janela Longa

• Entrada: Uma janela de 200 segundos representada por uma matriz de características de 200 × 3 amostrada a 1 Hz. Os três canais são:
  1. Nível de Pressão Sonora (SPL) em dB.
  2. Taxa de variação do SPL (dB/seg).
  3. A flag binária de presença de ronco gerada pela Etapa 1.
• Tarefa: Classificação binária de se a janela de 200 segundos contém um evento de apneia ou hipopneia (definido como ≥10 segundos de fluxo de ar reduzido ou ausente).
• Arquitetura Proposta (CA-1D): Os autores adaptam a Atenção de Coordenadas (CA), originalmente projetada para visão 2D, para dados de séries temporais 1D.
  • Mecanismo: Em vez do pooling de média global usado na atenção de Squeeze-and-Excitation (SE) (que colapsa o tempo e produz um vetor $1 \times C$ invariante ao tempo), o módulo CA-1D emprega um esquema de fusão global-local. Ele computa um vetor de contexto global, faz o tiling para a dimensão temporal e o concatena com características locais. Isso produz um mapa de atenção de forma $T \times C$ (tempo $\times$ canais), preservando a informação de posição temporal.
  • Baselines de Comparação: O modelo proposto é comparado contra uma CNN 1D vanilla (com cabeça de classificador pesada) e uma CNN com SE-Attention (pesos invariantes ao tempo).

Protocolo Experimental

• Dataset: 2.953 janelas de 200 segundos rotuladas por PSG de 40 participantes (80 noites-pessoa), compreendendo gravações tanto hospitalares quanto domiciliares.
• Avaliação: Um protocolo rigoroso de bootstrap de cinco sementes (five-seed bootstrap). Os modelos foram treinados cinco vezes com diferentes sementes aleatórias, e os resultados foram reportados como médias com intervalos de confiança de bootstrap de 95%. As comparações pareadas usaram reamostragem de bootstrap pareada para controlar a variabilidade induzida pela divisão de dados.

Principais Contribuições

1. Cascata de Duas Etapas: Um pipeline inovador onde um detector de ronco de janela curta alimenta um classificador de eventos de janela longa, criando uma representação intermediária ultra-compacta (~600 valores por janela) adequada para dispositivos móveis.
2. Adaptação da CA-1D: Uma adaptação metodológica da Atenção de Coordenadas para séries temporais biomédicas 1D, utilizando fusão global-local para preservar a posição temporal no mapa de atenção.
3. Avaliação Multi-Semente Rigorosa: Um estudo empírico comparando três arquiteturas através de cinco sementes aleatórias, abordando a fraqueza comum de relatórios de semente única em artigos de IA biomédica com datasets pequenos.
4. Eficiência de Parâmetros: Uma redução de parâmetros de 93,2% (de 204.801 para 14.001) enquanto melhora as métricas de desempenho.
5. Caracterização Honesta da Atenção: Uma delineação precisa de onde a Atenção de Coordenadas agrega valor (Precisão e Especificidade) versus onde ela não agrega (F1 ou AUC) em comparação com a SE-Attention.

Resultos

Avaliados no dataset de 2.953 amostras:

• Etapa 1 (Detecção de Ronco): Alcançou 94,29% de acurácia e 90,28% de F1-score.
• Etapa 2 (Detecção de Apneia):
  • Coord-Attn vs. CNN Original: O modelo proposto CA-1D alcançou 87,14% de acurácia e 86,94% de F1, superando significativamente a baseline de 204k parâmetros (83,82% de acurácia) em seis de sete métricas (Acurácia, Precisão, Especificidade, F1, AUC-ROC, AUC-PR).
  • Coord-Attn vs. SE-Attention: Quando comparado à baseline de SE-Attention (13.629 parâmetros), o modelo CA-1D mostrou melhorias estatisticamente significativas em Precisão (+2,62 pp) e Especificidade (+3,40 pp). No entanto, as diferenças em F1, AUC-ROC e AUC-PR não foram estatisticamente significativas sob a análise de bootstrap multi-semente.
  • Eficiência de Parâmetros: O modelo CA-1D alcançou >86% de acurácia com apenas ~14k parâmetros, uma redução de >14x em relação à baseline, mantendo alta acurácia.

Significância e Alegações

O artigo afirma que a arquitetura proposta demonstra com sucesso que mecanismos de atenção sensíveis à posição podem ser adaptados para séries temporais de áudio 1D para melhorar a detecção de apneia do sono em dispositivos.

• Impacto Clínico/Engenharia: O modelo oferece um caminho para triagem de sono escalável e preservadora de privacidade em smartphones de consumo, reduzindo o tamanho do modelo em mais de 90% enquanto melhora a precisão da detecção.
• Insight Metodológico: O estudo destaca que, embora a Atenção de Coordenadas ofereça uma vantagem real em reduzir falsos positivos (maior Precisão e Especificidade) em comparação com a SE-Attention, isso não se traduz necessariamente em um ganho estatisticamente significativo nos escores gerais de F1 ou AUC. Essa nuance é crítica para profissionais que projetam ferramentas de triagem onde alarmes falsos causam o desengajamento do usuário.
• Reprodutibilidade: Os autores enfatizam a importância da avaliação de bootstrap multi-semente para evitar conclusões enganosas ao comparar arquiteturas de tamanhos semelhantes em datasets pequenos.

Limitações Notadas pelos Autores:

• A avaliação é ao nível de janela, não por participante-disjunto; o modelo não foi validado em indivíduos inteiramente novos (leave-subjects-out).
• O dataset, embora diverso nos ambientes de gravação, é limitado a 40 participantes.
• O estudo foca na detecção da janela do evento, não na agregação de scores para uma estimativa de AHI por noite ou subtipagem clínica completa.