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

Probleemstelling

Automatische slaapscoring is essentieel voor de diagnose van slaapstoornissen, maar modellen presteren vaak slecht wanneer er een mismatch bestaat tussen het trainingsdomein (bron) en het toepassingsdomein (doel). Dit is vooral een probleem bij "in the wild" slaapmonitoring (bijv. met droge elektroden), waar signaalkwaliteit sterk kan variëren door ruis, slechte elektrodecontacten of hardwareproblemen.
Traditionele oplossingen vereisen gelabelde data uit het doeldomein voor supervisie, wat vaak niet beschikbaar is. Bestaande onbewaakte (unsupervised) methoden hebben tot nu toe beperkt succes gehad bij het aanpassen aan dergelijke domeinverschillen. De kernvraag van dit onderzoek is: Kan de 'realisme' van een hypnogram (slaapstadiëring) worden gebruikt om een model te leiden om signaalschade te overwinnen zonder gebruik te maken van ground-truth labels in het doeldomein?

Methodologie

De auteurs stellen een onbewaakte domeinadaptatiemethode voor, gebaseerd op adversariaal leren (generative adversarial networks-achtig principe), specifiek ontworpen om de 'realiteit' van de slaapscoring te maximaliseren.

1. Architectuur:

   • Encoder: Het model gebruikt de bestaande, state-of-the-art U-Sleep architectuur als basis. De encoder voor het bron-domein (schone data) wordt ingevroren (frozen). De encoder voor het doeldomein (vervormde data) wordt geïnitieerd met dezelfde gewichten maar tijdens training fine-tuned om de vervormingen te compenseren.
   • Decoder: De decoder van U-Sleep blijft ingevroren.
   • Discriminator: Een lichtgewicht Transformer-based binair classifier. Deze probeert te onderscheiden of een voorspelde hypnogram afkomstig is uit het bron-domein of het doeldomein. De discriminator werkt niet op harde klassen, maar op de waarschijnlijkheidsverdelingen van de slaapstadia.

2. Trainingsstrategie (Loss Functies):
   Het trainingsproces bestaat uit een min-max spel met drie componenten:

   • Adversariale Loss ($L_{adv}$): De discriminator wordt getraind om bron- en doel-data te onderscheiden. De doel-encoder wordt getraind om de discriminator te "bedriegen" (zodat de doel-data eruit ziet als bron-data), waardoor de domeinverschillen worden geminimaliseerd.
   • Anker Loss ($L_{anchor}$): Een regularisatieterm die ervoor zorgt dat de doel-encoder niet te ver afwijkt van de bron-encoder wanneer deze wordt ingevoerd met schone bron-data. Dit behoudt de geometrie van het oorspronkelijke model en voorkomt dat het model "ontleert" wat het al wist.
   • Doel: De sleep scorer leert zo om de vervormingen te negeren of eromheen te werken, zodat de gegenereerde hypnogrammen er "realistisch" uitzien (dicht bij de verdeling van schone data), zonder dat er labels nodig zijn voor de doeldata.

3. Data en Vervormingen:
   De auteurs gebruiken open datasets (NSRR) en creëren kunstmatige doeldomeinen door specifieke vervormingen toe te voegen aan schone data:

   • Witruis: Simulatie van een defecte kanaal (EEG of EOG).
   • Versterker-overbelasting: Simulatie van pieken door slechte verbindingen.
   • Spectrale vervorming: Filteren van frequenties om hardware- of fysiologische veranderingen na te bootsen.

Belangrijkste Bijdragen

• Realisme als stuurmechanisme: Het introduceren van het concept dat het maximaliseren van de "realisme" van een hypnogram (via een discriminator) een effectieve methode is om signaalschade te corrigeren in onbewaarde settings.
• Unsupervised Domain Transfer voor Slaap: Een nieuwe aanpak die specifiek gericht is op het aanpassen aan signaalschade, in tegenstelling tot eerdere werken die zich richtten op domeinverschillen tussen verschillende datasets.
• Validatie van "Sparseness": De studie toont aan dat de ruimte van "correcte" hypnogrammen relatief schaars is binnen de ruimte van alle mogelijke hypnogrammen, en dat het benutten van deze sparseness de nauwkeurigheid kan verbeteren.

Resultaten

De prestaties werden gemeten met Cohen's kappa, nauwkeurigheid en F1-score, vergeleken met een pre-trained baseline en een "benchmark" model (supervisie met labels).

• Prestatieverbetering: De onbewaarde aanpak leidde tot significante verbeteringen ten opzichte van de pre-trained baseline bij alle soorten vervormingen.
  • De stijging in Cohen's kappa varieerde van 0,03 tot 0,29, afhankelijk van het type vervorming.
  • Bij witruis in het EEG-kanaal steeg de kappa van 0,23 naar 0,42.
  • Bij spectrale vervorming (high-pass filtering) steeg de kappa met 0,03 tot 0,16.
• Vergelijking met Supervisie: Hoewel de methode de baseline aanzienlijk verbetert, bereikt deze niet het niveau van de "native" modellen die met supervisie op de specifieke vervorming zijn getraind. De methode benadert dus niet de theoretische optimum, maar verbetert wel altijd ten opzichte van het niet-aangepaste model.
• Real-world Test: Bij een test met een echte domeinmismatch (tussen twee verschillende slaapstudies) was het voordeel statistisch niet significant, wat suggereert dat de methode mogelijk meer data vereist voor complexe, echte domeinverschillen dan voor kunstmatige vervormingen.
• Chance Kappa Analyse: De auteurs toonden aan dat de verbeteringen niet het gevolg waren van het genereren van generieke, repetitieve hypnogrammen; de modeluitvoer behield de variabiliteit van de inputsignalen.
• Data-efficiëntie: De prestaties verbeteren met meer trainingsdata, maar vereisen momenteel duizenden opnames om goede resultaten te boeken.

Betekenis en Conclusie

De studie toont aan dat "discriminator-geleide fine-tuning" een veelbelovende route is om signalen in de "wild" (onvoorbereide omgevingen) robuuster te maken voor slaapmonitoring.

• Kerninzicht: Het is mogelijk om de "sparseness" van realistische slaappatronen te benutten om ruis te filteren zonder labels.
• Beperkingen: De huidige implementatie vereist nog veel data (duizenden nachten) om effectief te zijn en presteert niet even goed als gesuperviseerde methoden.
• Toekomstperspectief: Voordat deze techniek in productie kan worden ingezet in klinische of engineering-omgevingen, is verdere ontwikkeling nodig om de data-eisen te verlagen (bijv. door data-augmentatie of efficiëntere modellen) en de robuustheid voor complexe, echte domeinverschillen te vergroten.

Samenvattend biedt de paper een nieuwe, interessante invalshoek voor onbewaarde domain adaptation in de biomedische signaalverwerking, met name voor het verbeteren van de robuustheid van slaapmonitoringssystemen.