Technische Samenvatting: Genereren van Synthetische Gezondheidssensordata voor Privacy-Preserving Wearable Stressdetectie

Probleemstelling

Het toenemende gebruik van gezondheidssensordata van smartwatches voor stressdetectie en patiëntmonitoring staat voor een kritieke flessenhals: de gevoeligheid van medische gegevens en de moeilijkheid om voldoende, hoogwaardige datasets te verkrijgen voor onderzoek. Hoewel draagbare apparaten rijke fysiologische tijdreeksgegevens genereren, beperken strikte privacyregels en het risico op re-identificatie vanuit geanonimiseerde gezondheidssignalen het delen van data. Bovendien leidt het trainen van robuuste machine learning-modellen onder Differential Privacy (DP)-beperkingen vaak tot aanzienlijk verlies aan bruikbaarheid (verminderde modelprestaties) door de ruis die wordt geïntroduceerd om individuele records te beschermen. De auteurs pakken de uitdaging aan om de utility–privacy-trade-off te optimaliseren door te onderzoeken of synthetische data, gegenereerd via Generative Adversarial Networks (GANs) met DP-waarborgen, de real-world data kunnen aanvullen of vervangen om stressdetectiemodellen te verbeteren zonder de privacy van patiënten in gevaar te brengen.

Methodologie

De studie maakt gebruik van de publiekelijk beschikbare WESAD-dataset, die multimodale fysiologische signalen bevat van 15 deelnemers, opgenomen via Empatica E4 polsbanden. De data bevat zes modaliteiten: driezijdige versnelling (ACC), elektrodermale activiteit (EDA), huidtemperatuur (TEMP) en bloedvolumedruk (BVP). De taak is binaire classificatie (stress vs. geen stress).

Datapreparatie

1. Resampling en Uitlijning: Signalen die met verschillende frequenties werden opgenomen, werden gedownsampled naar een uniforme 1 Hz met behulp van Fourier-methoden om uitlijning en vloeiendheid te garanderen.
2. Labeling: De staten 'neutraal' en 'amusement' werden samengevoegd tot één enkele "geen stress"-klasse om een binair classificatieprobleem te creëren.
3. Windowing: De data werd gesegmenteerd in vensters van 60 seconden met een overlappende verschuiving van 30 seconden om de steekproefomvang te vergroten en contextuele informatie te bieden.
4. Normalisatie: Min-max normalisatie werd toegepast om de signalen te schalen naar [0, 1].

Generatieve Modellen

De auteurs trainden drie verschillende GAN-architecturen om synthetische tijdreeksdata te genereren:

1. Conditional GAN (CGAN): Een niet-private model waarbij zowel de generator als de discriminator extra input ontvangen in de vorm van klasse-labels (stress/geen stress). Het maakt gebruik van LSTM-lagen om temporele afhankelijkheden te vangen en een FCN-discriminator.
2. DoppelGANger (DGAN): Een niet-privaat model dat de generatie van metadata (labels) scheidt van continue metingen door gebruik te maken van aparte generatoren en discriminators om de multimodale correlaties te verwerken.
3. Differentially Private CGAN (DP-CGAN): Een privacy-preservende variant van de CGAN. Het maakt gebruik van Differentially Private Stochastic Gradient Descent (DP-SGD) specifelijk op de discriminator tijdens de training. Ruis wordt geïnjecteerd in de gradiënten van de discriminator tijdens het verwerken van echte data om ervoor te zorgen dat de gegenereerde samples geen informatie over specifieke individuen lekken.

Evaluatiestrategieën

De synthetische data werd geëvalueerd met behulp van twee primaire strategieën binnen een Leave-One-Subject-Out (LOSO) cross-validatiekader:

• Train Synthetic, Test Real (TSTR): Modellen werden uitsluitend getraind op synthetische data gegenereerd door de GAN's en getest op echte WESAD-data.
• Augmentatie (AUGM): Synthetische data werd gecombineerd met echte trainingsdata om de omvang van de dataset te vergroten.

De studie testte drie privacy-budgetten ($\epsilon$) voor de DP-CGAN: 10 (ontspannen), 1 (sterk) en 0.1 (zeer strikt).

Kwaliteitsbeoordeling

De kwaliteit van de synthetische data werd beoordeeld via:

• Visuele/Statistische Analyse: PCA en t-SNE om de datadistributie en clustering te visualiseren.
• Correlatieanalyse: Pearson correlatiecoëfficiënten en p-waarden om te verifiëren of de synthetische data de relaties tussen signalen en labels behield (bijv. de bekende positieve correlatie tussen EDA en stress).
• Classifier Two-Sample Test (C2ST): Een classifier die getraind is om onderscheid te maken tussen echte en synthetische data; een lagere nauwkeurigheid duidt op een hogere gelijkenis tussen de twee distributies.

Belangrijkste Resultaten

Kwaliteit van Synthetische Data

• Niet-Private Modellen: Zowel CGAN als DGAN produceerden synthetische data die de statistische distributie en correlaties van de originele WESAD-data nauwgezet nabootsten. De CGAN vertoonde een iets betere uitlijning in de t-SNE visualisaties.
• Impact van Privacy: Naarmate het privacy-budget strenger werd (lagere $\epsilon$), degradeerde de kwaliteit van de synthetische data.
  • Bij $\epsilon = 10$ en $\epsilon = 1$ behield de DP-CGAN redelijke correlatiestructuren, met name voor EDA en TEMP.
  • Bij $\epsilon = 0.1$ had het model moeite om de cruciale correlatie tussen EDA en de stress-labels te behouden, waarbij de focus verschoof naar andere signalen (ACC, TEMP) en over-correlaties in BVP werden geïntroduceerd. De distributiedichtheid van EDA week ook significant af van de originele data.

Prestaties van Stressdetectie

De synthetische data werd gebruikt om CNN, CNN-LSTM en TSCT classifiers te trainen.

• Niet-Private Augmentatie: Het gebruik van niet-private synthetische data (CGAN) zorgde voor een marginale verbetering in F1-score (0,45%) ten opzichte van baseline-modellen die enkel op echte data zijn getraind.
• Private Augmentatie: De meest significante bevindingen werden waargenomen in de DP-beperkte scenario's.
  • Het trainen van classifiers met DP-CGAN synthetische data resulteerde in substantiële verbeteringen in de F1-score vergeleken met het direct trainen op echte data onder dezelfde DP-beperkingen.
  • Specifiek in private trainingsscenario's leidde het gebruik van synthetische data tot een stijging van 11,90% tot 15,48% in de F1-score over verschillende $\epsilon$-waarden.
  • Bijvoorbeeld, bij het strikte $\epsilon = 0.1$ budget bereikte het met DP-CGAN geaugmenteerde model een F1-score van 84,19%, wat de gerelateerde werk DP-TSCT model (68,71%) en de niet-geaugmenteerde DP baseline aanzienlijk overtrof.

Betekenis en Claims

Het artikel claimt dat het genereren van differentiële private synthetische data een levensvatbare strategie is om de utility–privacy-trade-off in wearable gezondheidsmonitoring te overwinnen.

1. Verbeterde Bruikbaarheid onder Privacybeperkingen: De primaire bijdrage is het aantonen dat het genereren van synthetische data onder DP-beperkingen onderzoekers in staat stelt om stressdetectiemodellen te trainen met aanzienlijk hogere prestaties dan wanneer zij direct op echte data trainen onder dezelfde privacygaranties. De synthetische data "verdunt" effectief de privacykosten, waardoor het model robuuste patronen kan leren zonder individuele records bloot te leggen.
2. Beschikbaarheid van Privacy-Preserving Data: De aanpak maakt het mogelijk om grote, gelabelde datasets voor stressdetectie te creëren die vrij kunnen worden gedeeld zonder de ethische en juridische hindernissen die gepaard gaan met het hanteren van echte patiëntgegevens, mits het generatieproces aan DP voldoet.
3. Haalbaarheid van Multimodale Generatie: De studie bevestigt dat GAN's er succesvol in kunnen zijn om complexe, multimodale tijdreeksdata (ACC, EDA, TEMP, BVP) te genereren die de fysiologische correlaties behouden die nodig zijn voor nauwkeurige stressclassificatie, zelfs wanneer er privacyruis wordt toegepast.

De auteurs concluderen dat hoewel toenemende privacyvereisten ($\epsilon \to 0.1$) onvermijdelijk impact hebben op de getrouwheid van de synthetische data, de resulterende winst in bruikbaarheid voor downstream classificatietaken in privacy-bewuste omgevingen substantieel is, wat een praktisch pad biedt voor privacy-bewust onderzoek naar slimme gezondheid.