NDPAI: Neuroscience-Derived Predictive Active Inference for Calibrated Cross-Subject Wearable Stress Detection

Resumo Técnico: NDPAI para Detecção de Estresse em Wearables Calibrada entre Diferentes Indivíduos

Declaração do Problema
O monitoramento contínuo de estresse via dispositivos vestíveis (wearables) enfrenta três limitações estruturais persistentes na literatura atual: (1) baixa generalização entre diferentes indivíduos sob avaliação rigorosa de exclusão de um sujeito (leave-one-subject-out - LOSO) devido à variabilidade fisiológica interindividual; (2) falta de quantificação de incerteza fundamentada, onde a maioria dos classificadores fornece previsões pontuais sem mecanismos para sinalizar confiabilidade ou entradas fora da distribuição (out-of-distribution - OOD); e (3) o tratamento do estresse como um evento ao nível de janela, em vez de um estado psicofisiológico sustentado. Além disso, abordagens generativas existentes carecem frequentemente de um mecanismo principista para acoplar a inferência à seleção de ações prospectivas sob incerteza, e nenhum trabalho prévio aplicou o framework de inferência ativa — especificamente a minimização da Energia Livre Esperada (EFE) com roteamento de via dupla — ao monitoramento fisiológico contínuo sob condições rigorosas de LOSO.

Metodologia
O artigo propõe a arquitetura Neuroscience-Derived Predictive Active Inference (NDPAI), um framework generativo fundamentado no Princípio da Energia Livre (FEP) e na neurociência cognitiva de processo duplo. O sistema opera no benchmark multimodal WESAD (15 participantes, sinais de ECG e EDA) utilizando um vetor de características de 12 dimensões derivado de estatísticas de nível de voltagem bruta (média, variância, amplitude e diferenças de primeira ordem) sem detecção de pico-R ou decomposição espectral.

O núcleo do NDPAI é um design de via dupla motivado biologicamente:

1. Modelo Generativo: Um modelo Gaussiano multivariado com condicional de classe (com covariância diagonal) é ajustado nos dados de treinamento para representar a verossimilhança das observações fisiológicas dados os estados afetivos ocultos (Linha de Base, Estresse, Diversão).
2. Roteamento por Portão VFE: Para cada janela de observação, um escore de Energia Livre Variacional (VFE) é computado. Este escore atua como um sinal de "surpresa" intrínseco ao modelo.
   • Via da Amígdala (Rápida): Se o VFE estiver abaixo de um limiar derivado do treinamento, a janela é roteada para uma via de minimização de EFE de passo único e rápida. Esta via suprime o termo epistêmico (redução de incerteza), operando com um horizonte de planejamento de $H=1$.
   • Via do Córtex (Deliberativa): Se o VFE exceder o limiar, a janela é roteada para uma via mais lenta que realiza minimização de EFE de múltiplos passos ($H=2$) com um termo epistêmico ativo, permitindo uma análise de incerteza mais profunda.
3. Seleção de Ação: Ao contrário de classificadores discriminativos, o NDPAI gera avisos direcionais de monitoramento: Manter, Escalar ou Desescalar. Estes são derivados da minimização da EFE, que equilibra a divergência dos estados preferidos (valor pragmático) e o ganho de informação antecipado (valor epistêmico). Nesta implementação, uma priori de preferência uniforme é utilizada, tornando a seleção de ação impulsionada primariamente pela minimização de ambiguidade.
4. Calibração: O escalonamento de temperatura post-hoc de exclusão de um fold (LOO) é aplicado para corrigir a autoconfiança inerente das posteriors Gaussianas diagonais.

Principais Contribuições

1. Primeira Aplicação de Inferência Ativa neste Domínio: O NDPAI é a primeira arquitetura a aplicar inferência ativa baseada em EFE com roteamento de via dupla para o monitoramento de estresse fisiológico contínuo sob validação cruzada LOSO rigorosa no benchmark WESAD.
2. Calibração de Probabilidade Superior: Através do escalonamento de temperatura LOO, o NDPAI reduziu seu Erro de Calibração Esperado (ECE) de 0,319 para 0,056. Isso supera o principal baseline discriminativo, XGBoost (ECE = 0,128), estabelecendo a saída probabilística calibrada como uma força primária da abordagem generativa.
3. Acurácia Competitiva com Eficiência Computacional: O NDPAI (Via Dupla) alcançou uma acurácia balanceada média de 60,3%, estatisticamente comparável ao XGBoost (64,4%) sob teste Wilcoxon pareado. Crucialmente, o roteamento por portão VFE reduziu os custos de computação de EFE em 77% (apenas 3,4% das janelas exigiram processamento cortical deliberativo), mantendo um desempenho competitivo.
4. Saídas de Ação Interpretáveis: O modelo gera avisos direcionais clinicamente interpretáveis (Manter, Escalar, Desescalar), uma capacidade ausente em baselines discriminativos padrão.
5. Prestação de Contas Empírica Honesta: O estudo documenta explicitamente as limitações arquiteturais, incluindo a falha do VFE como detector de OOD ao nível do sujeito (AUC = 0,417, abaixo do acaso) e a existência de "sujeitos difíceis" (S2, S8, S14) que exibem desempenho próximo ao acaso em todos os modelos devido a limitações de sinal nos dados (dinâmicas de EDA planas).

Resultos

• Acurácia: O NDPAI Via Dupla (60,33%) apresentou-se estatisticamente indistinguível do XGBoost (64,35%) e da Regressão Logística (62,88%). Superou significativamente as ablações de via única (Somente Amígdala: 46,68%; Somente Córtex: 46,32%).
• Calibração: O escalonamento de temperatura post-hoc melhorou o ECE do NDPAI para 0,056, significativamente menor que o do XGBoost (0,128).
• Eficiência de Roteamento: O mecanismo de roteamento direcionou com sucesso 96,6% das janelas para a via da Amígdala, que é computacionalmente eficiente, reduzindo o custo total de EFE em 77% em comparação com uma configuração apenas de Córtex.
• Análise de Falha: Os sujeitos S2, S8 e S14 falharam consistentemente em todos os modelos (BalAcc ~36-43%). A análise revelou que esses sujeitos possuíam sinais de EDA com variação fásica negligenciável, tornando o sinal de excitação simpática não informativo para a discriminação de três classes. Isso confirma que a falha é uma limitação ao nível dos dados, e não um déficit específico do modelo.
• Detecção de OOD: Embora o VFE tenha falhado em detectar mudanças distributivas ao nível do sujeito (AUC 0,417), a entropia da posterior alcançou um AUC moderado de 0,722, e a incerteza do XGBoost alcançou 0,889.

Significância e Alegações
O artigo alega que a inferência ativa é um paradigma de inferência viável para computação fisiológica, demonstrando que uma arquitetura generativa fundamentada no Princípio da Energia Livre pode igualar classificadores discriminativos em acurácia, oferecendo vantagens distintas: previsões probabilísticas bem calibradas, saídas orientadas à ação interpretáveis e alocação computacional adaptativa.

No entanto, os autores permanecem modestos quanto ao estado atual da tecnologia. Eles declaram explicitamente que o NDPAI é uma prova de conceito, e não um produto implantável. O trabalho reconhece que a implementação atual depende de uma verossimilhança Gaussiana diagonal simplificada, o que limita a detecção de anomalias ao nível do sujeito. Os autores enfatizam que as falhas dos "sujeitos difíceis" são restrições estruturais do monitoramento baseado em EDA em indivíduos fisiologicamente atípicos, e não meramente erros algorítmicos. A significância do trabalho reside em estabelecer que a inferência ativa pode fornecer o reconhecimento de estresse entre diferentes indivíduos com acurácia competitiva, oferecendo superior calibração e interpretabilidade, mas validações futuras em hardware do mundo real e populações heterogêneas são necessárias para determinar se essas vantagens sobrevivem ao contato com as reais restrições clínicas.