En este artículo, proponemos una función métrica que considera la estructura, el Coeficiente de Similitud de Dice de la señal (SDSC), para el aprendizaje autosupervisado de series temporales. Muchos métodos de aprendizaje autosupervisado existentes utilizan funciones objetivo basadas en la distancia, como el error cuadrático medio (MSE), que es sensible a la amplitud, invariante a la polaridad de la forma de onda y de escala infinita, lo que dificulta la alineación semántica y reduce la interpretabilidad. SDSC aborda este problema cuantificando la consistencia estructural entre señales temporales basándose en la intersección de amplitudes codificadas derivadas del Coeficiente de Similitud de Dice (DSC). Si bien SDSC se define como una métrica que considera la estructura, puede utilizarse como función de pérdida para la optimización basada en gradientes restando de 1 y aplicando una aproximación diferenciable de la función de Heaviside. También proponemos una formulación de pérdida híbrida que combina SDSC y MSE para mejorar la estabilidad y, cuando sea necesario, preservar la amplitud. Los resultados experimentales sobre parámetros de predicción y clasificación demuestran que el preentrenamiento basado en SDSC alcanza un rendimiento comparable o superior al de MSE, especialmente en escenarios específicos del dominio y de bajos recursos. Estos resultados sugieren que la fidelidad estructural de las representaciones de señales mejora la calidad de la representación semántica, y que las métricas que tienen en cuenta la estructura deberían considerarse una alternativa viable a los métodos existentes basados en la distancia.
