O estresse deixa marcas claras na respiração, mas o divertimento não

O que se pode extrair de um registro respiratório de sessenta segundos, além do ritmo

Um traçado respiratório de sessenta segundos é mais do que uma contagem de inspirações e expirações. Ele também carrega o ritmo de cada ciclo e a estabilidade desse ritmo ao longo do tempo. A análise de frequência divide o sinal em bandas, das ondas lentas entre 0,05 e 0,20 hertz até as de alta frequência, chegando a 5 hertz. Cada banda acompanha um movimento diferente: das oscilações lentas às taxas comuns em adultos e aos pequenos tremores da forma de onda. A frequência dominante da respiração é definida como o pico mais forte entre 0,05 e 1,00 hertz. Bandas mais estreitas acrescentam detalhes, como a potência na faixa de 0 a 0,10 hertz ou na de 0,70 a 1,00 hertz. As ferramentas de wavelet analisam como a energia se distribui entre as escalas, e as medidas de entropia indicam se essa distribuição é ordenada ou dispersa. Um recurso de wavelet compara a energia em uma banda de detalhe rápida com o restante do sinal. Outro avalia quão uniformemente a energia da wavelet está distribuída, o que pode revelar rugosidade oculta em um traçado aparentemente liso. As defasagens de autocorrelação medem como o sinal se repete após curtos atrasos. A primeira passagem de correlação positiva para negativa é chamada de Zpm, e o próximo retorno ao positivo é Zmp. Essas defasagens descrevem a duração do ciclo, a regularidade e a forma da alternância, não apenas quantas respirações ocorrem. Elas podem ser calculadas uma vez para o minuto inteiro ou novamente dentro de cada ciclo respiratório detectado. A mediana de Zmp entre os ciclos fornece uma escala típica de tempo, e sua pontuação de variação mostra instabilidade. Outros resumos usam intervalo interquartil, amplitude total, inclinação ou a mudança do último valor menos o primeiro. O coeficiente de variação divide o desvio padrão entre os ciclos pela média absoluta. Isso separa um efeito médio da instabilidade ao longo do tempo. Os resumos de inclinação e diferença perguntam se um marcador deriva para cima ou para baixo durante o minuto. Um ramo exploratório também investiga quão rapidamente a previsibilidade de curto prazo se desfaz. Ele constrói previsões a partir de padrões respiratórios passados semelhantes e acompanha como o erro de previsão cresce com o horizonte. Uma subida inicial mais íngreme significa que o traçado fica mais difícil de prever após apenas alguns segundos. Esses marcadores não lineares são opcionais, porque recursos mais simples de tempo e espectro frequentemente carregam o sinal principal. Tomados juntos, esses descritores transformam um minuto de respiração em um mapa de ritmo, forma, estabilidade e previsibilidade.

Estresse, meditação e repouso deixam marcas distintas na respiração

O estresse deixa uma marca mais rápida e irregular no sinal respiratório. O indicador individual mais forte foi o excesso de energia na faixa de 0,70 a 1,00 Hz, com um índice de separação de 72,70. Como essa faixa fica acima da frequência respiratória usual do adulto, ela aponta para componentes de ondulação mais rápidos no sinal. O estresse também tornou o tempo de cada respiração menos consistente de um ciclo para o outro. A variabilidade na proporção do tempo inspiratório atingiu um índice de 62,81, indicando que a participação da inalação mudou entre os ciclos.

A meditação deixou uma marca mais lenta e estável na mesma janela de sessenta segundos. Seu indicador individual mais claro foi um marcador típico de tempo do ciclo respiratório mais longo, com um índice de separação de 79,82. A potência de baixa frequência na faixa de 0,05 a 0,20 Hz também contribuiu, pois a meditação intensifica oscilações mais lentas. Juntas, essas marcas resultaram em um índice combinado de separação muito forte para a meditação: 88,65.

A linha de base apresentou um marcador de tempo da janela inteira mais curto, com seu melhor índice individual em 57,97. Essa defasagem menor sugere que a respiração em repouso tem um padrão de repetição mais rápido do que o estado meditativo. Quando várias marcas interpretáveis foram combinadas, a linha de base atingiu índices entre 63 e 64 nos dois tipos de modelo. Esses números mostram que os três estados não se misturam em um único padrão respiratório compartilhado: o estresse adiciona velocidade e tremor, a meditação adiciona profundidade e regularidade, e a linha de base fica entre eles com uma assinatura mais leve.

A diversão é o estado mais difícil de identificar só pelo padrão da respiração

O divertimento é o estado que deixa a marca mais tênue em um registro de respiração de sessenta segundos. Estresse e meditação provocam alterações mais nítidas no ritmo, na temporização ou no conteúdo espectral. No caso do divertimento, o melhor marcador isolado foi a frequência respiratória, com coeficiente de correlação de Matthews de apenas 28,19. Esse valor baixo indica que o indicador separa as janelas de divertimento dos demais estados com pouca eficácia. Uma pontuação mais alta revelaria um padrão estável sobre o qual um modelo poderia contar. Mesmo combinando várias características, o divertimento resistiu a uma separação limpa. Os modelos compactos e transparentes mais robustos atingiram coeficientes de Matthews entre 31 e 35, números muito inferiores aos obtidos para estresse ou meditação nos mesmos testes. A rede que processa o sinal bruto também teve dificuldade, embora sua precisão reportada parecesse respeitável à primeira vista. Ao comparar o divertimento com todos os outros estados, ela alcançou uma precisão de 86,14%, mas um índice de Matthews de apenas 28,20. Essa alta precisão é enganosa, pois as janelas sem divertimento são muito mais frequentes nos dados: um modelo pode pontuar bem simplesmente ao classificar a maioria das janelas como não divertidas. A precisão da rede para as verdadeiras janelas de divertimento foi de 37,93%, o que significa que muitas classificações positivas estavam erradas. Sua sensibilidade foi de 34,07%, indicando que ela perdeu a maior parte das janelas reais de divertimento. O modelo compacto apresentou uma fraqueza diferente: a precisão caiu para 30,44%, enquanto a sensibilidade subiu para 69,91%. Isso significa que ele capturou mais janelas reais de divertimento, mas também sinalizou muitas outras que não eram. Adicionar medidas extras de previsibilidade não transformou o divertimento em um estado confiável. Elas melhoraram a separação ligeiramente, mas o melhor modelo compacto ainda atingiu apenas cerca de 35,69 no índice ponderado por equilíbrio. A conclusão prática é que o divertimento não possui uma assinatura respiratória estável neste conjunto de dados. A frequência respiratória, a variabilidade da temporização e a energia espectral podem dar pistas, mas o sinal permanece fraco demais para uma detecção confiável.

A rede compacta leva a melhor na detecção de estresse. Em outros estados, os marcadores simples são mais eficazes

A rede compacta que processava o sinal bruto da respiração diretamente possuía cerca de 230 mil parâmetros ajustáveis. Ela enviava a forma de onda normalizada de sessenta segundos por quatro camadas convolucionais e, em seguida, encaminhava o resultado para um classificador pequeno. No caso do estresse, essa arquitetura se mostrou eficaz. O coeficiente de correlação de Matthews é uma métrica de equilíbrio que penaliza tanto os casos não detectados quanto os alarmes falsos, sendo útil quando a frequência dos estados é desigual. No teste em que cada participante era excluído por sua vez, a rede alcançou um índice de Matthews de 90,61, com precisão de 96,72%. Sua exatidão foi de 93,03% e sua sensibilidade de 92,41%, o que significa que ela identificou a maioria das janelas de estresse, cometendo poucos erros de falso positivo.

Um modelo transparente com cinco características também lidou bem com o estresse, mas ficou atrás em 7,10 pontos no índice de Matthews, alcançando 83,51. Ele capturou quase todas as janelas de estresse, com sensibilidade de 95,31%, embora sua exatidão fosse menor, em 80,26%. Esse padrão indica que o modelo perdeu menos janelas de estresse, mas gerou mais alertas falsos. Fora do estresse, a abordagem mais simples frequentemente teve melhor desempenho. Para a linha de base, um modelo compacto de características alcançou um índice de Matthews de 65,34, enquanto a rede obteve apenas 52,56. A diferença foi de 12,78 pontos. O modelo utilizou potência na faixa de 0,20 a 0,50 hertz, variação de uma defasagem de autocorrelação em três trechos de vinte segundos, uma medida de previsibilidade de curto prazo e entropia amostral. A entropia amostral é uma forma simples de indicar o quão irregular a forma de onda parece de um momento para outro.

Para a meditação, o modelo de características foi ainda mais claro. Ele alcançou um índice de Matthews de 88,65 contra 77,58 da rede, com exatidão de 96,49% e sensibilidade de 86,19%. Em termos simples, ele fez muito poucos alertas falsos de meditação, embora ainda tenha perdido alguns casos reais. Suas cinco entradas incluíam a mediana do ciclo respiratório de uma defasagem mais longa de autocorrelação, potência de baixa frequência na faixa de 0,05 a 0,20 hertz, uma medida semelhante à entropia wavelet, energia espectral de média amplitude e o tempo inspiratório. Um modelo baseado em limiar ajudou aqui, porque a meditação parecia seguir um padrão respiratório mais regular do que o estresse. O contraste sugere duas ferramentas para tarefas diferentes. A rede de sinal bruto é a escolha mais forte quando velocidade e precisão no estresse importam mais. A abordagem transparente de características é melhor quando um clínico, engenheiro ou dispositivo embarcado precisa ver qual marcador respiratório levou à decisão.

Da respiração à leitura do estado mental

O principal aprendizado é que a respiração funciona como um indicador portátil do estado mental. A ferramenta de análise precisa corresponder à pergunta em jogo. No caso do estresse, uma rede compacta treinada com registros brutos de sessenta segundos oferece a melhor separação entre os estados. Ela identifica a maioria das janelas de estresse mantendo o número de alarmes falsos baixo o suficiente para o uso cotidiano. Isso a torna um candidato viável para monitoramento discreto em celulares, relógios ou outros dispositivos vestíveis que já acompanham o movimento do tórax.

Para meditação e linha de base, modelos mais simples com poucos parâmetros apresentam melhor desempenho quando avaliados pela precisão equilibrada. Eles revelam quais marcadores de tempo, variabilidade, espectro e forma de onda estão efetivamente discriminando os estados. Esses modelos transparentes são essenciais quando um clínico precisa entender por que um alerta foi disparado. Também ajudam em dispositivos com memória limitada para rodar redes maiores.

As limitações do estudo são igualmente reveladoras. O divertimento resistiu à detecção mesmo após a combinação de várias características respiratórias. Isso sugere que alguns estados emocionais não deixam uma assinatura respiratória estável nesse tipo de dado. Uma alta precisão bruta pode ser enganosa quando um estado é raro. As pontuações equilibradas mostram com que frequência o sistema realmente separa o alvo do restante dos dados.

O trabalho também depende de um pequeno conjunto de dados público de dispositivos vestíveis e de testes cuidadosos por participante. Um uso mais amplo no mundo real exigirá grupos maiores, mais contextos do dia a dia e sensores que registrem a respiração consistentemente sem exigir que as pessoas usem equipamento extra. A oportunidade não é um único teste universal de respiração. É um conjunto de ferramentas: um detector rápido para o estresse, outra triagem explicável para estados mais calmos e uma incerteza honesta onde o sinal enfraquece.

Se dispositivos futuros conseguirem distinguir quando estão confiantes e quando devem ficar em silêncio, a respiração pode deixar de ser apenas um sinal vital e passar a funcionar como uma janela discreta sobre o bem-estar das pessoas.