Human-Centered Learning Mechanics for Reliable Smart Textiles: An Explainable and Frugal AI Framework for Separating Physiological Anomalies from Sensor Drift and Degradation

Resumo Técnico: Mecânicas de Aprendizado Centradas no Humano para Têxteis Inteligentes Confiáveis

Declaração do Problema
Os têxteis inteligentes, que incorporam sensores diretamente no tecido, oferecem um potencial significativo para cuidados de saúde domiciliares, monitoramento do sono e segurança ocupacional. No entanto, eles enfrentam uma limitação fundamental de confiabilidade distinta dos wearables convencionais: um sinal anormal coletado de uma vestimenta sensorizada é intrinsecamente ambíguo. Tal sinal pode originar-se de um evento fisiológico genuíno (ex: apneia, hipopneia), da degradação do próprio sensor têxtil (ex: deriva, histerese, perda de contato, danos induzidos pela lavagem) ou de um artefato de uso transitório (ex: posicionamento incorreto da vestimenta, ruído de movimento).

Os pipelines de monitoramento atuais tipicamente tratam a avaliação da qualidade do sinal e a detecção de eventos fisiológicos como estágios separados. Essa separação é subótima porque uma janela rejeitada por ser de "baixa qualidade" pode, na verdade, conter uma falha têxtil crítica que requer manutenção, enquanto uma janela "aceita" ainda pode ser fisiologicamente ambígua. O desafio central é distinguir anomalias fisiológicas verdadeiras de falhas de sensores induzidas pelo têxtil de uma forma que seja frugal (adequada para dispositivos de borda/edge), explicável e otimizada para a tomada de decisão centrada no humano, em vez de focar apenas na acurácia bruta de classificação.

Metodologia: Estrutura HCLM-SmartTex
Os autores propõem o HCLM-SmartTex, uma estrutura explicável e frugal fundamentada em Mecânicas de Aprendizado Centradas no Humano (HCLM). A estrutura trata o têxtil inteligente não meramente como um transportador de sensores, mas como um sistema de medição dinâmico cuja confiabilidade deve ser monitorada juntamente com os sinais fisiológicos. A arquitetura consiste em cinco estágios:

1. Extração de Características ao Nível de Janela: Características estatísticas e conscientes do domínio são extraídas de janelas deslizantes de sinais multivariados (respiração, deformação torácica, SpO2, frequência cardíaca, deformação têxtil, qualidade de contato e variáveis ambientais). As principais características incluem colapso de amplitude, profundidade de dessaturação, taxas de perda de contato e acoplamento respiração-deformação.
2. Pontuação Fisiológica Mecanística ($S_{phys}$): Uma pontuação transparente e baseada em regras quantifica a evidência de um evento corporal. Ela aumenta quando ocorre colapso da amplitude respiratória, dessaturação de oxigênio ou aumentos compensatórios na frequência cardíaca, refletindo a assinatura canônica de eventos respiratórios obstrutivos.
3. Pontuação de Confiabilidade Têxtil Mecanística ($S_{textile}$): Uma pontuação complementar que quantifica a evidência de falha de medição. Ela aumenta sob perda de contato, deriva da deformação têxtil em relação à linha de base calibrada e enfraquecimento do acoplamento respiração-deformação, baseando-se em comportamentos de degradação documentados de sensores tricotados e baseados em fios.
4. Fusão Tardia Frugal: As duas pontuações mecanísticas são normalizadas e combinadas com um classificador logístico leve treinado em um pequeno conjunto rotulado. Isso produz uma pontuação de anomalia híbrida ($S_{hyb}$) que preserva a interpretabilidade enquanto melhora a robustez.
5. Regulação HCLM (Camada de Controle Ativo): Um termostato de portão de entropia regula a pontuação híbrida. Ele calcula uma entropia efetiva ($H_{eff}$) que combina incerteza preditiva com a ambiguidade entre evidências fisiológicas e têxteis. Se a entropia for alta (indicando incerteza) ou se a evidência de risco derivada do mecanismo contradizer a pontuação híbrida, o controlador modula ativamente a decisão. Ele pode suprimir alarmes falsos (se uma pontuação alta carece de suporte mecanístico) ou recuperar eventos perdidos (se uma pontuação limítrofe possui forte evidência de risco).

Principais Contribuições
O artigo estratifica suas contribuições através dos níveis de framework, benchmark, modelo e validação:

• Formulação de Decisão Centrada no Humano: O problema é formulado como uma tarefa de inferência conjunta para separar eventos fisiológicos de degradação têxtil, otimizado contra um custo de decisão centrado no humano. Este custo penaliza eventos fisiológicos perdidos, alarmes falsos induzidos pelo têxtil e atrasos de detecção, priorizando consequências operacionais sobre a acurácia bruta.
• Simulador de Têxtil Inteligente Sintético: Para abordar a falta de verdade fundamental (ground truth) em gravações reais (onde a origem de uma anomalia raramente é conhecida), os autores projetaram um simulador controlado. Ele gera cenários contrafatuais (eventos fisiológicos idênticos com/sem falhas de sensor, e falhas têxteis idênticas sob diferentes estados fisiológicos) para isolar e validar o mecanismo de separação.
• Sub-pontuações Mecanísticas Explicáveis: A estrutura expõe duas sub-pontuações independentes e legíveis por humanos ($S_{phys}$ e $S_{textile}$). Elas permitem que o sistema atribua anomalias a famílias específicas (normal, fisiológica ou têxtil/sensor) e sugira ações corretivas distintas (ex: atenção clínica vs. reposicionamento da vestimenta).
• Controle HCLM Ativo: Ao contrário do pós-processamento passivo, a camada HCLM atua como um regulador sensível ao risco. Ela utiliza a entropia efetiva para decidir quando intervir, garantindo que o sistema se comporte como uma ferramenta de suporte à decisão, e não como um classificador estático.
• Frugalidade e Compatibilidade com Edge: O modelo é projetado para implantação embarcada, utilizando apenas 201 parâmetros, ~2,15 KB de RAM e ~6,79 KB de flash, com complexidade de inferência de tempo linear.
• Protocolo de Validação: O artigo fornece um protocolo concreto de validação de vestimenta inteligente física, definindo uma rota da simulação controlada para a implantação no mundo real com requisitos específicos de instrumentação, aquisição em estágios e rotulagem de duas camadas (estado fisiológico e estado de confiabilidade têxtil).

Resultados Experimentais
Avaliado em uma divisão de sujeitos retida do benchmark sintético, o detector ativo HCLM-SmartTex superou limiares baseados em regras, detectores não supervisionados (Isolation Forest, One-Class SVM) e vários baselines aprendidos (Regressão Logística, ExtraTrees, ensembles otimizados para acurácia):

• Desempenho: Alcançou o maior F1-score (0,9515) e a menor fração de janela de falso-alarme (0,0267) entre todos os métodos, mantendo um alto recall (0,9800) e um atraso médio de detecção de 0,50 janelas.
• Eficácia da Regulação: O controlador HCLM foi empiricamente ativo, modificando 64% das janelas avaliadas e alterando cinco decisões de teste em relação ao híbrido não regulado. Esta regulação reduziu com sucesso os alarmes falsos sem sacrificar a sensibilidade.
• Acurácia de Separação: A estrutura alcançou 0,9667 de acurácia na distinção entre as famílias normal, fisiológica e têxtil/sensor, e na classificação de causa raiz para as classes ativas.
• Pegada de Recursos: O modelo permaneceu significativamente menor do que os baselines não supervisionados e ensembles complexos, confirmando sua adequação para dispositivos de borda.

Significância e Alegações
O artigo posiciona este trabalho como um benchmark de nível de mecanismo e orientado à decisão para o monitoramento confiável de têxteis inteligentes. Ele afirma explicitamente que a estrutura aborda uma lacuna residual na literatura: nenhum método existente separa conjuntamente anomalias fisiológicas de degradação têxtil/sensor sob um custo de decisão centrado no humano de forma frugal e explicável.

Os autores são modestos em suas alegações, enfatizando que:

• Os resultados baseiam-se em dados sintéticos e não constituem validação clínica ou certificação industrial.
• O simulador serve como uma "ponte controlada" para testar a separação de mecanismos sob condições contrafatuais, não como um substituto para testes físicos de vestimentas.
• A estrutura é um bloco de construção para prototipagem de estágio inicial e suporte à decisão implantado em edge, projetada para ser transferível para roupas reais via o protocolo de validação fornecido.
• A principal contribuição é o mecanismo de separação e o controle de decisão sensível ao risco, em vez do alcance de acurácia de estado da arte em uma tarefa clínica específica.

O estudo conclui que, ao acoplar a tomada de decisão à entropia efetiva e à evidência de risco derivada do mecanismo, a estrutura torna o equilíbrio entre eventos perdidos e alarmes falsos explícito e ajustável, oferecendo um caminho prático para sistemas de monitoramento de têxteis inteligentes mais confiáveis, interpretáveis e frugais.