Lo stress lascia un segno netto nel respiro, l’ilarità no

Oltre alla frequenza: cosa rivela una traccia respiratoria di sessanta secondi

Una traccia respiratoria di sessanta secondi non si riduce al semplice conteggio delle inspirazioni ed espirazioni: contiene anche il ritmo di ogni ciclo e la stabilità di tale ritmo nel tempo. L’analisi in frequenza scompone il segnale in bande, dalle onde lente tra 0,05 e 0,20 hertz fino a quelle più rapide che arrivano a 5 hertz. Ogni banda cattura un movimento specifico, dalle oscillazioni lente alle frequenze respiratorie tipiche dell’adulto, fino ai piccoli ondulamenti della forma d’onda. La frequenza respiratoria dominante viene identificata come il picco più intenso compreso tra 0,05 e 1,00 hertz. Bande più strette aggiungono poi dettagli, ad esempio la potenza nella fascia da 0 a 0,10 hertz o in quella da 0,70 a 1,00 hertz. Gli strumenti wavelet esaminano come l’energia si distribuisce su diverse scale, mentre le misure di entropia indicano se tale distribuzione è ordinata o dispersa. Una caratteristica wavelet confronta l’energia presente in una banda di dettaglio veloce con il resto del segnale. Un’altra valuta quanto uniformemente sia ripartita l’energia wavelet, rivelando eventuali irregolarità nascoste in tracce apparentemente lisce. I ritardi di autocorrelazione misurano come il segnale si ripete rispetto a sé stesso dopo brevi intervalli: il primo passaggio da correlazione positiva a negativa è denominato Zpm, e il successivo ritorno al positivo è Zmp. Questi ritardi descrivono la lunghezza del ciclo, la regolarità e la forma dell’alternanza, non solo il numero di respirazioni. Possono essere calcolati una volta per l’intero minuto oppure all’interno di ogni singolo ciclo respiratorio rilevato. La mediana di Zmp tra i cicli fornisce una scala temporale tipica, mentre il suo punteggio di variazione evidenzia l’instabilità. Altri riepiloghi utilizzano l’intervallo interquartile, l’ampiezza totale, la pendenza o la differenza tra ultimo e primo valore. Il coefficiente di variazione divide la deviazione standard tra i cicli per il valore medio assoluto, separando così un effetto medio dall’instabilità nel tempo. Le misure basate su pendenza e differenze verificano se un indicatore deriva verso l’alto o verso il basso durante il minuto. Un ramo esplorativo indaga inoltre quanto rapidamente si deteriori la prevedibilità a breve termine: costruisce previsioni partendo da pattern respiratori passati simili e traccia come l’errore di previsione cresca con l’orizzonte temporale. Una salita iniziale più ripida indica che la traccia diventa difficile da prevedere dopo pochi secondi. Questi indicatori non lineari sono opzionali, poiché caratteristiche più semplici di tempistica e spettro spesso veicolano il segnale principale. Presi insieme, questi descrittori trasformano un minuto di respirazione in una mappa di ritmo, forma, stabilità e prevedibilità.

Segni diversi nel respiro per stress, meditazione e stato basale

Lo stress imprime al segnale respiratorio un ritmo più veloce e meno uniforme. L’indicatore singolo più forte è l’eccesso di energia nella banda da 0,70 a 1,00 Hz, con un punteggio di separazione di 72,70. Poiché questa fascia si colloca sopra la frequenza respiratoria tipica dell’adulto, segnala componenti ondulari più rapide nel segnale. Lo stress rende inoltre meno costante la tempistica di ogni respiro da un ciclo all’altro: la variabilità del rapporto temporale inspiratorio raggiunge un punteggio di 62,81, indicando che la quota dedicata all’inspirazione oscilla tra i cicli.

La meditazione lascia invece un segno più lento e stabile nella stessa finestra di sessanta secondi. Il suo indicatore singolo più chiaro è un marcatore temporale tipico del ciclo respiratorio più lungo, con un punteggio di separazione di 79,82. Anche la potenza a bassa frequenza nella banda da 0,05 a 0,20 Hz contribuisce al risultato, poiché la meditazione accentua le oscillazioni lente. Insieme, questi tratti conferiscono alla meditazione un punteggio di separazione combinato molto elevato: 88,65.

Lo stato basale mostra un marcatore temporale dell’intera finestra più corto, con il miglior punteggio singolo a 57,97. Questo ritardo inferiore suggerisce che il respiro a riposo presenta un pattern di ripetizione più rapido rispetto allo stato meditativo. Combinando diversi indicatori interpretabili, lo stato basale raggiunge punteggi compresi tra 63 e 64 in entrambi i tipi di modello. Questi dati dimostrano che i tre stati non si confondono in un unico schema respiratorio condiviso: lo stress aggiunge velocità e irregolarità, la meditazione profondità e regolarità, mentre il basale si colloca a metà con una firma più leggera.

Riconoscere l’ilarità dal solo respiro è la sfida più ardua

L’ilarità è lo stato che lascia l’impronta più debole nelle tracce respiratorie di sessanta secondi. Stress e meditazione, al contrario, modificano in modo netto il ritmo, i tempi o la distribuzione delle frequenze. Per quanto riguarda l’ilarità, il singolo indicatore migliore risulta essere la frequenza respiratoria, con un coefficiente di correlazione di Matthews di appena 28,19. Un valore così basso indica che questo parametro distingue le finestre di ilarità dagli altri stati in modo molto debole. Un punteggio più alto segnalerebbe uno schema stabile su cui un modello potrebbe fare affidamento. Anche combinando diverse caratteristiche, l’ilarità resiste a una separazione netta: i modelli compatti e trasparenti più efficaci raggiungono coefficienti di Matthews tra 31 e 35, valori ben inferiori a quelli ottenuti per stress o meditazione negli stessi test.

Anche la rete che analizza il segnale grezzo fatica, pur mostrando un’accuratezza apparentemente rispettabile. Nel confronto tra l’ilarità e tutti gli altri stati, raggiunge un’accuratezza dell’86,14 per cento ma un punteggio di Matthews di soli 28,20. Questa alta accuratezza è fuorviante: le finestre prive di ilarità sono molto più frequenti nei dati, quindi un modello può ottenere buoni risultati semplicemente classificando la maggior parte delle finestre come non allegre. La precisione della rete per le vere finestre di ilarità è del 37,93 per cento, il che significa che molte segnalazioni positive erano errate. Il richiamo si ferma al 34,07 per cento, indicando che la rete ha perso la maggior parte delle vere istanze di ilarità.

Il modello compatto presenta una debolezza diversa: la precisione scende al 30,44 per cento mentre il richiamo sale al 69,91 per cento. In pratica, cattura più finestre reali di ilarità, ma ne segnala erroneamente troppe altre. L’aggiunta di ulteriori misure di prevedibilità non rende l’ilarità uno stato affidabile: migliorano la separazione in parte, ma il migliore modello compatto si ferma comunque a circa 35,69 sul punteggio ponderato per l’equilibrio. La conclusione pratica è che l’ilarità non possiede una firma respiratoria stabile in questo dataset. Frequenza respiratoria, variabilità dei tempi ed energia spettrale possono darne un indizio, ma il segnale resta troppo debole per una rilevazione certa.

La rete compatta prevale nello stress, gli indicatori semplici altrove

La rete compatta che analizza direttamente il segnale grezzo del respiro contiene circa 230.000 parametri regolabili. Il flusso di lavoro prevede l’elaborazione della forma d’onda normalizzata di sessanta secondi attraverso quattro strati convoluzionali, per poi passare il risultato a un classificatore ridotto. Per lo stress, questa architettura si rivela efficace. Il coefficiente di correlazione di Matthews è una metrica bilanciata che penalizza sia i casi mancati sia i falsi allarmi. Risulta quindi particolarmente utile quando la distribuzione degli stati non è uniforme. Nel test in cui ogni partecipante viene escluso a turno (leave-one-out), la rete raggiunge un punteggio di Matthews di 90,61, con un’accuratezza del 96,72 per cento. La precisione si attesta al 93,03 per cento e il richiamo al 92,41 per cento: il modello identifica la maggior parte delle finestre di stress limitando i falsi positivi.

Anche un modello trasparente basato su cinque caratteristiche gestisce bene lo stress, pur restando indietro di 7,10 punti sul punteggio di Matthews (83,51). Cattura quasi tutte le finestre di stress, con un richiamo del 95,31 per cento, ma la precisione è inferiore, all’80,26 per cento. Questo profilo indica che il modello perde meno casi veri, a scapito di un numero maggiore di falsi allarmi. Al di fuori dello stress, l’approccio più semplice spesso ottiene risultati migliori. Per lo stato basale, ad esempio, il modello compatto a caratteristiche raggiunge un punteggio di Matthews di 65,34, contro i 52,56 della rete: un divario di 12,78 punti. Questo modello utilizza la potenza nella banda da 0,20 a 0,50 hertz, la variazione di un ritardo di autocorrelazione su tre segmenti di ventidue secondi, una misura di prevedibilità a breve orizzonte e l’entropia campionaria. Quest’ultima quantifica in modo semplice quanto il profilo dell’onda risulti irregolare da un istante all’altro.

Per la meditazione, il modello a caratteristiche è ancora più netto. Raggiunge un punteggio di Matthews di 88,65 contro i 77,58 della rete, con una precisione del 96,49 per cento e un richiamo dell’86,19 per cento. In pratica, genera pochissimi falsi allarmi sulla meditazione, pur mancando alcune finestre vere. I suoi cinque ingressi includono la mediana dei cicli respiratori di un ritardo di autocorrelazione più lungo, la potenza a bassa frequenza nella banda da 0,05 a 0,20 hertz, una misura simile all’entropia wavelet, l’energia spettrale a frequenze intermedie e i tempi inspiratori. In questo caso, un modello basato su soglie si è rivelato utile, poiché la meditazione sembra seguire uno schema respiratorio più regolare rispetto allo stress. Il contrasto suggerisce due strumenti per compiti diversi: la rete sul segnale grezzo è la scelta migliore quando contano velocità e accuratezza nello stress. Il ramo trasparente a caratteristiche è preferibile quando un clinico, un ingegnere o un dispositivo integrato deve capire quale indicatore respiratorio ha guidato la decisione.

Dalla traccia respiratoria alla classificazione dello stato

Il punto chiave è che il respiro può essere interpretato come un segnale portatile dello stato mentale. La scelta del metodo deve però adattarsi alla domanda specifica. Per lo stress, una rete compatta addestrata su tracce grezze di sessanta secondi garantisce la separazione più netta: individua la maggior parte delle finestre in cui si è sotto stress mantenendo i falsi allarmi a un livello compatibile con l’uso quotidiano. Questo la rende una candidata credibile per il monitoraggio silenzioso su telefoni, orologi o altri dispositivi indossabili che già tracciano il movimento del torace.

Per meditazione e stato di base, invece, modelli basati su caratteristiche più semplici offrono risultati migliori se valutati con l’accuratezza bilanciata. Essi rendono visibile quali indicatori di tempistica, variabilità, spettro o forma d’onda stanno effettivamente facendo la differenza. Questi modelli trasparenti sono fondamentali quando un clinico deve capire perché è scattato un allarme e risultano utili anche nei dispositivi con memoria limitata, insufficiente per ospitare reti più grandi.

I limiti del metodo sono altrettanto istruttivi. L’ilarità ha resistito al rilevamento anche dopo aver combinato diverse caratteristiche respiratorie, il che suggerisce che alcuni stati emotivi non lasciano una firma respiratoria stabile in questo tipo di dati. Un’elevata accuratezza grezza può essere fuorviante quando uno stato è raro: i punteggi bilanciati rivelano con quale frequenza il sistema separa effettivamente lo stato target da tutti gli altri.

Il lavoro si basa inoltre su un piccolo dataset pubblico di dispositivi indossabili e su test accurati soggetto per soggetto. Un’applicazione più ampia nel mondo reale richiederà gruppi più ampi, contesti quotidiani vari e sensori in grado di registrare il respiro in modo costante senza imporre alle persone l’uso di attrezzature aggiuntive. L’opportunità non è un singolo test universale del respiro, ma un insieme di strumenti: un rilevatore rapido per lo stress, uno screen spiegabile per stati più calmi e una gestione onesta dell’incertezza dove il segnale si affievolisce.

Se i dispositivi futuri sapranno distinguere quando sono sicuri e quando dovrebbero restare in silenzio, il respiro potrebbe diventare meno simile a un segno vitale e più simile a una finestra silenziosa sul benessere delle persone.