Resumen Técnico: Generación de Datos Sintéticos de Sensores de Salud para la Detección de Estrés en Dispositivos Vestibles Preservando la Privacidad

Declaración del Problema

La creciente utilización de datos de sensores de salud de relojes inteligentes para la detección de estrés y el monitoreo de pacientes enfrenta un cuello de botella crítico: la sensibilidad de los datos médicos y la dificultad de adquirir conjuntos de datos suficientes y de alta calidad para la investigación. Si bien los dispositivos vestibles generan ricos datos de series temporales fisiológicas, las estrictas regulaciones de privacidad y el riesgo de reidentificación a partir de señales de salud anonimizadas limitan el intercambio de datos. Además, entrenar modelos de aprendizaje automático robustos bajo restricciones de Privacidad Diferencial (DP, por sus siglas en inglés) a menudo resulta en una pérdida significativa de utilidad (reducción del rendimiento del modelo) debido al ruido introducido para proteger los registros individuales. Los autores abordan el desafío de optimizar la relación utilidad-privacidad investigando si los datos sintéticos, generados mediante Redes Generativas Antagónicas (GAN) con salvaguardas de DP, pueden aumentar o reemplazar los datos reales para mejorar los modelos de detección de estrés sin comprometer la privacidad del paciente.

Metodología

El estudio utiliza el conjunto de datos WESAD, disponible públicamente, que contiene señales fisiológicas multimodales de 15 participantes registradas mediante pulseras Empatica E4. Los datos incluyen seis modalidades: aceleración de tres ejes (ACC), actividad electrodérmica (EDA), temperatura cutánea (TEMP) y presión de volumen sanguíneo (BVP). La tarea es de clasificación binaria (estrés vs. no estrés).

Preparación de Datos

1. Remuestreo y Alineación: Las señales registradas a diferentes frecuencias fueron submuestreadas a un 1 Hz unificado mediante métodos de Fourier para asegurar la alineación y la suavidad.
2. Etiquetado: Los estados de neutralidad y diversión se fusionaron en una única clase de "no estrés" para crear un problema de clasificación binaria.
3. Ventaneo: Los datos se segmentaron en ventanas de 60 segundos con un solapamiento deslizante de 30 segundos para aumentar el tamaño de la muestra y proporcionar información contextual.
4. Normalización: Se aplicó la normalización min-max para escalar las señales al rango [0, 1].

Modelos Generativos

Los autores entrenaron tres arquitecturas de GAN distintas para generar datos sintéticos de series temporales:

1. GAN Condicional (CGAN): Un modelo no privado donde tanto el generador como el discriminador reciben etiquetas de clase (estrés/no estrés) como entrada auxiliar. Utiliza capas LSTM para capturar dependencias temporales y un discriminador FCN.
2. DoppelGANger (DGAN): Un modelo no privado que desacopla la generación de metadatos (etiquetas) de las mediciones continuas utilizando generadores y discriminadores separados para manejar las correlaciones multimodales.
3. CGAN con Privacidad Diferencial (DP-CGAN): Una variante de la CGAN que preserva la privacidad. Emplea el Descenso de Gradiente Estocástico con Privacidad Diferencial (DP-SGD) específicamente en el discriminador durante el entrenamiento. Se inyecta ruido en los gradientes del discriminador al procesar datos reales para asegurar que las muestras generadas no filtren información sobre individuos específicos.

Estrategias de Evaluación

Los datos sintéticos fueron evaluados utilizando dos estrategias principales dentro de un marco de validación cruzada de Dejar un Sujeto Fuera (LOSO):

• Entrenar con Sintéticos, Probar con Reales (TSTR): Los modelos se entrenan exclusivamente con datos sintéticos generados por las GAN y se prueban con datos reales de WESAD.
• Aumentación (AUGM): Los datos sintéticos se combinan con los datos de entrenamiento reales para aumentar el tamaño del conjunto de datos.

El estudio probó tres presupuestos de privacidad ($\epsilon$) para el DP-CGAN: 10 (relajado), 1 (fuerte) y 0.1 (muy estricto).

Evaluación de Calidad

La calidad de los datos sintéticos se evaluó mediante:

• Análisis Visual/Estadístico: PCA y t-SNE para visualizar la distribución de los datos y su agrupación.
• Análisis de Correlación: Coeficientes de correlación de Pearson y valores p para verificar si los datos sintéticos preservaban las relaciones entre las señales y las etiquetas (por ejemplo, la conocida correlación positiva entre EDA y estrés).
• Prueba de Dos Muestras de Clasificador (C2ST): Un clasificador entrenado para distinguir entre datos reales y sintéticos; una precisión menor indica una mayor similitud entre las dos distribuciones.

Resultados Clave

Calidad de los Datos Sintéticos

• Modelos No Privados: Tanto la CGAN como la DGAN produjeron datos sintéticos que imitaban de cerca la distribución estadística y las correlaciones de los datos originales de WESAD. La CGAN mostró una mejor alineación en las visualizaciones de t-SNE.
• Impacto de la Privacidad: A medida que el presupuesto de privacidad se volvía más estricto (menor $\epsilon$), la calidad de los datos sintéticos se degradaba.
  • Con $\epsilon = 10$ y $\epsilon = 1$, la DP-CGAN mantuvo estructuras de correlación razonables, particularmente para EDA y TEMP.
  • Con $\epsilon = 0.1$, el modelo tuvo dificultades para preservar la correlación crítica entre EDA y las etiquetas de estrés, desplazando el enfoque hacia otras señales (ACC, TEMP) e introduciendo sobrecorrelaciones en BVP. La densidad de distribución de EDA también se desvió significativamente de los datos originales.

Rendimiento de la Detección de Estrés

Los datos sintéticos se utilizaron para entrenar clasificadores CNN, CNN-LSTM y TSCT.

• Aumentación No Privada: El uso de datos sintéticos no privados (CGAN) proporcionó una mejora marginal en la puntuación F1 (0.45%) sobre los modelos base entrenados solo con datos reales.
• Aumentación Privada: Los hallazgos más significativos se observaron en los escenarios con restricciones de DP.
  • Entrenar clasificadores con datos sintéticos de DP-CGAN resultó en mejoras sustanciales en la puntuación F1 en comparación con el entrenamiento directo sobre datos reales bajo las mismas restricciones de DP.
  • Específicamente, en escenarios de entrenamiento privado, el uso de datos sintéticos condujo a un aumento del 11.90% al 15.48% en la puntuación F1 a través de diferentes valores de $\epsilon$.
  • Por ejemplo, con un presupuesto estricto de $\epsilon = 0.1$, el modelo aumentado con DP-CGAN alcanzó una puntuación F1 de 84.19%, superando significativamente el modelo DP-TSCT del trabajo relacionado (68.71%) y la línea base de DP no aumentada.

Significación y Reivindicaciones

El artículo afirma que la generación de datos sintéticos con privacidad diferencial es una estrategia viable para superar la relación utilidad-privacidad en el monitoreo de la salud mediante dispositivos vestibles.

1. Utilidad Mejorada bajo Restricciones de Privacidad: La principal contribución es demostrar que la generación de datos sintéticos bajo restricciones de DP permite a los investigadores entrenar modelos de detección de estrés con un rendimiento significativamente mayor que el entrenamiento directo sobre datos reales bajo las mismas garantías de privacidad. Los datos sintéticos efectivamente "diluyen" el costo de la privacidad, permitiendo que el modelo aprenda patrones robustos sin exponer los registros individuales.
2. Disponibilidad de Datos Preservando la Privacidad: El enfoque permite la creación de grandes conjuntos de datos etiquetados para la detección de estrés que pueden compartirse libremente sin los obstáculos éticos y legales del manejo de datos reales de pacientes, siempre que el proceso de generación cumpla con la DP.
3. Viabilidad de la Generación Multimodal: El estudio confirma que las GAN pueden generar con éxito datos de series temporales multimodales complejos (ACC, EDA, TEMP, BVP) que retienen las correlaciones fisiológicas necesarias para una clasificación de estrés precisa, incluso cuando se aplica ruido de privacidad.

Los autores concluyen que, si bien el aumento de los requisitos de privacidad ($\epsilon \to 0.1$) impacta inevitablemente la fidelidad de los datos sintéticos, la ganancia de utilidad resultante para las tareas de clasificación descendentes en entornos de privacidad es sustancial, ofreciendo un camino práctico para la investigación de la salud inteligente consciente de la privacidad.