La destilación de ECG a PPG memorizaba la identidad: fixed-effects más que duplicó la señal de estado

Los dispositivos wearables se compran para ver cómo cambia el estado cardiovascular de una persona concreta: hoy el pulso está más alto, ayer la recuperación fue mejor. Pero el preprint arXiv:2610.10662 muestra que la destilación estándar de ECG a modelos PPG enseña otra cosa. El vector medio de características por registro, al que los autores llaman trait, representa entre el 40 y el 59% de la señal objetivo del profesor ECG congelado. Es decir, casi la mitad de lo que el estudiante intenta reproducir describe quién es la persona, no qué le está pasando. La fixed-effects distillation propuesta por los autores elimina esa parte, y la concordancia de estado se más que duplica.

Dónde se esconde la identidad

El ECG lleva tiempo siendo el «patrón oro» para entrenar modelos que trabajan únicamente con la fotopletismografía (PPG), es decir, con el sensor óptico de un reloj o un anillo. El profesor observa el electrocardiograma, el estudiante observa la PPG, y este ajusta sus embeddings a los del profesor. La calidad suele medirse con la similitud de coseno, y ahí está la trampa. Un predictor constante, que devuelve siempre el mismo vector sin importar la entrada, obtiene 0,793 en esta métrica. Un coseno alto demuestra poco: buena parte de la similitud se consigue simplemente porque el modelo cae en el «punto medio» de la distribución objetivo.

Peor aún, los modelos entrenados sobre un conjunto común de registros memorizan este trait, pero no lo transfieren a registros nuevos. Es el peor de los escenarios: el estudiante gasta capacidad en la identidad y eso no aporta información útil sobre registros desconocidos. Los autores comprobaron la relación en 34 ejecuciones. El patrón es directo: cuanta más identidad memoriza el estudiante, menos estado aprende.

Cómo funciona la fixed-effects distillation

La idea procede de la econometría y los datos de panel: si interesa la variación dentro de cada sujeto, hay que sacar de la ecuación el nivel medio del sujeto. Aquí se hace así: a la predicción del estudiante y al objetivo del profesor se les resta la media del registro correspondiente, y después se calcula la pérdida de destilación habitual. El trait se cancela exactamente, porque por definición es constante dentro de un registro. La alternativa, el pooled anchor, conserva ese componente y sirve de control.

Según los datos de los autores:

• El trait ocupa entre el 40 y el 59% de la señal objetivo del profesor ECG congelado.
• Un predictor constante obtiene 0,793 en el coseno de alineación sin procesar.
• El experimento abarca 34 ejecuciones, en las que la memorización de la identidad se asocia negativamente con el estado aprendido.
• La concordancia de estado (state agreement) se más que duplica.
• Las etiquetas intraindividuales mejoran, mientras que la edad y el sexo se mantienen en el mismo nivel.
• El efecto se reproduce en dos backbones y en otras dos bases de datos.

El resultado sobre edad y sexo es especialmente relevante. Son características estáticas de la persona, y si el método se limitara a mejorar todas las métricas sin distinción, este indicador también habría subido. No subió, lo que concuerda con la tesis: la identidad se ha eliminado de la representación y la dinámica se conserva. La formulación de los autores: condicionar por registro reorienta la destilación hacia los cambios intraindividuales, que son precisamente los que vigilan los wearables.

Qué revisar en tu pipeline

Para los equipos que desarrollan modelos PPG para relojes, anillos y parches médicos, la conclusión es práctica. Primero, no confiar en el coseno sin procesar ni en una métrica de alineación similar sin una línea base: calcula el resultado del predictor constante y réstalo. Segundo, evalúa el modelo en tareas intraindividuales, es decir, en cambios respecto al propio registro de la persona, y no solo en etiquetas entre sujetos como la edad y el sexo. Tercero, si la destilación parte de un ECG u otra señal «cara», prueba el centrado por registro como una modificación barata de la pérdida: no requiere un nuevo profesor.

También hay limitaciones visibles. Se trata de un preprint, y el «más que el doble» declarado se refiere a la métrica de concordancia de estado elegida por los autores. El centrado exige que el batch de entrenamiento contenga registros completos o fragmentos suficientes de ellos; de lo contrario, la media será ruidosa. Para tareas que requieren identificación absoluta (biometría, estimación de la edad), el método, según los resultados de los autores, no ayudará y no debe hacerlo. Pero para monitorizar la dinámica parece una corrección limpia y poco costosa de lo que realmente se está optimizando.