Unsupervised domain transfer: Overcoming signal degradation in sleep monitoring by increasing scoring realism

Titolo del Lavoro

Trasferimento di dominio non supervisionato: Superamento del degrado del segnale nel monitoraggio del sonno aumentando il realismo della classificazione (hypnogram)

1. Il Problema

Il monitoraggio del sonno automatico, fondamentale per la diagnosi di disturbi del sonno, soffre spesso di un "mismatch" tra il dominio di addestramento (dati puliti di laboratorio) e il dominio di applicazione (registrazioni "in the wild" o mobili).

• Degradazione del segnale: Le registrazioni reali, specialmente quelle con EEG a contatto secco, sono soggette a vari tipi di degradazione (rumore, sovraccarichi degli amplificatori, artefatti, variazioni hardware) che riducono drasticamente l'accuratezza dei modelli di scoring pre-addestrati.
• Limitazione attuale: I metodi di transfer learning supervisionato richiedono etichette di ground truth nel dominio target, che spesso non sono disponibili in scenari reali. I metodi non supervisionati esistenti hanno mostrato benefici limitati nel correggere questi errori di classificazione.
• Obiettivo: Investigare se è possibile guidare un metodo non supervisionato per gestire degradazioni arbitrarie del segnale, utilizzando il concetto di "realismo" dell'ipnogramma (la sequenza temporale delle fasi di sonno) come vincolo per l'adattamento.

2. Metodologia

Gli autori propongono un framework di adattamento di dominio avversariale che combina un modello pre-addestrato (U-Sleep) con una rete discriminatora. L'ipotesi centrale è che gli ipnogrammi corretti occupino uno spazio "sparsa" e caratterizzato da pattern realistici (durata delle fasi, transizioni logiche), mentre il rumore spinge la classificazione verso regioni dello spazio meno realistiche.

Architettura del Modello

Il sistema è composto da tre componenti principali (illustrati nella Figura 2 del paper):

1. Encoder di Sorgente ($E_s$): Pre-addestrato su dati puliti e congelato (frozen). Estrae feature dai dati di riferimento.
2. Encoder di Target ($E_t$): Inizializzato con gli stessi pesi di $E_s$, ma fine-tuned (aggiornato) durante l'addestramento per adattarsi ai dati distorti del dominio target.
3. Decoder ($Dec$): Pre-addestrato e congelato. Riceve le feature dagli encoder e produce le previsioni delle fasi di sonno.
4. Discriminatore ($D$): Un classificatore binario basato su Transformer (leggero) che riceve le distribuzioni di probabilità delle fasi di sonno prodotte dal decoder. Il suo compito è distinguere se un ipnogramma proviene dal dominio sorgente o target.

Funzione di Perdita e Addestramento

L'addestramento segue un approccio min-max con tre componenti di perdita:

1. Loss Avversaria ($L_{adv}^D$): Addestra il discriminatore a distinguere tra sorgente e target.
2. Loss Avversaria per l'Encoder Target ($L_{adv}^{E_t}$): Addestra $E_t$ a "ingannare" il discriminatore, rendendo le feature del target indistinguibili da quelle della sorgente (allineamento delle distribuzioni).
3. Loss di Ancoraggio ($L_{anchor}$): Penalizza la deviazione tra $E_t$ e $E_s$ quando entrambi elaborano dati di sorgente. Questo garantisce che il modello mantenga la geometria pre-addestrata e non dimentichi le conoscenze originali (preservando la coerenza cross-dominio).

L'obiettivo finale è che il modello impari a "ignorare" o "lavorare intorno" agli artefatti producendo ipnogrammi che appaiono realistici (simili a quelli del dominio sorgente) senza avere accesso a etichette vere nel dominio target.

3. Contributi Chiave

• Approccio basato sul "Realismo": Invece di tentare di ricostruire il segnale pulito sottostante (denoising), il metodo si concentra sul generare output di classificazione (ipnogrammi) che rispettino le statistiche e le transizioni tipiche del sonno umano.
• Utilizzo della Sparsità: Sfrutta l'idea che lo spazio degli ipnogrammi corretti sia molto più piccolo e strutturato rispetto allo spazio di tutte le possibili combinazioni di fasi.
• Validazione Non Supervisionata: Dimostra che è possibile migliorare le prestazioni su dati distorti senza alcuna etichetta di ground truth nel dominio target, un requisito cruciale per il monitoraggio mobile.
• Analisi Comparativa Estesa: Confronto sistematico con modelli "benchmark" supervisionati (addestrati con etichette sul target distorto) per stabilire un limite teorico di performance.

4. Risultati

Lo studio è stato condotto su dataset pubblici (NSRR) con l'aggiunta artificiale di tre tipi di distorsioni:

1. Rumore Bianco: Simulazione di un canale rotto.
2. Sovraccarico dell'Amplificatore: Simulazione di picchi di segnale e transitori.
3. Deformazione Spettrale: Filtraggio che altera la distribuzione di potenza in frequenza.

Punti salienti dei risultati:

• Miglioramento delle Prestazioni: L'approccio non supervisionato ha aumentato il Cohen's Kappa in tutti i casi di distorsione.
  • Il miglioramento è variato da un minimo di +0.03 (per filtri passa-alto aggressivi) a un massimo di +0.29 (per rumore bianco su canali EEG).
  • Le metriche di accuratezza e F1-score sono migliorate significativamente rispetto al modello pre-addestrato.
• Confronto con il Benchmark: Sebbene il metodo non supervisionato migliori drasticamente rispetto alla baseline, non raggiunge mai le prestazioni ottimali ottenute dai modelli supervisionati (addestrati con etichette sul target). Tuttavia, non degrada mai le prestazioni rispetto al modello pre-addestrato.
• Validità Statistica: L'analisi "Chance Kappa" ha confermato che i miglioramenti non sono dovuti alla generazione di ipnogrammi generici o ripetitivi, ma a una reale capacità di adattamento al segnale.
• Limiti nel Mondo Reale: Quando testato su un mismatch di dominio reale (trasferimento tra due studi sul sonno reali, dataset Tabar et al.), il beneficio è risultato insignificante. Gli autori ipotizzano che ciò sia dovuto alla scarsità di dati di addestramento (120 registrazioni vs migliaia necessarie per l'addestramento efficace nel loro studio).

5. Significato e Conclusioni

• Potenziale: Il "fine-tuning guidato dal discriminatore" è un approccio promettente per il monitoraggio del sonno "in the wild", offrendo una soluzione generica per vari tipi di degradazione del segnale senza bisogno di etichette costose.
• Implicazioni sui Dati: Il successo del metodo suggerisce che lo spazio degli ipnogrammi corretti possiede una struttura intrinseca e "sparsa" che può essere sfruttata per correggere errori di classificazione causati dal rumore.
• Sfide Future:
  • Efficienza dei Dati: Il metodo richiede attualmente migliaia di registrazioni per funzionare bene. È necessario ridurre questo fabbisogno di un ordine di grandezza (o due) per renderlo praticabile in contesti clinici o ingegneristici reali.
  • Architettura: Potrebbero essere necessarie architetture diverse (es. basate su spettro) per gestire certi tipi di distorsioni meglio di quanto fatto dall'attuale U-Sleep.
  • Produzione: Prima di un utilizzo in produzione, sono necessari ulteriori sviluppi per gestire mismatch di dominio reali complessi con pochi dati.

In sintesi, il paper dimostra che imporre vincoli di "realismo" sull'output di un modello di sonno può essere una strategia efficace per l'adattamento di dominio non supervisionato, anche se la scalabilità dei dati rimane la principale barriera all'implementazione pratica immediata.