Resumo Técnico: Geração de Dados Sintéticos de Sensores de Saúde para Detecção de Estresse em Dispositivos Vestíveis com Preservação de Privacidade

Declaração do Problema

A crescente utilização de dados de sensores de saúde de smartwatches para detecção de estresse e monitoramento de pacientes enfrenta um gargalo crítico: a sensibilidade dos dados médicos e a dificuldade de adquirir conjuntos de dados suficientes e de alta qualidade para pesquisa. Embora os dispositivos vestíveis gerem ricos dados de séries temporais fisiológicas, regulamentações rigorosas de privacidade e o risco de reidentificação a partir de sinais de saúde anonimizados limitam o compartilhamento de dados. Além disso, treinar modelos de aprendizado de máquina robustos sob restrições de Privacidade Diferencial (DP) frequentemente resulta em uma perda significativa de utilidade (redução no desempenho do modelo) devido ao ruído introduzido para proteger registros individuais. Os autores abordam o desafio de otimizar a relação utilidade–privacidade investigando se dados sintéticos, gerados via Redes Adversárias Generativas (GANs) com salvaguardas de DP, podem aumentar ou substituir dados reais para melhorar os modelos de detecção de estresse sem comprometer a privacidade do paciente.

Metodologia

O estudo utiliza o conjunto de dados WESAD, disponível publicamente, que contém sinais fisiológicos multimodais de 15 participantes registrados via pulseiras Empatica E4. Os dados incluem seis modalidades: aceleração de três eixos (ACC), atividade eletrodérmica (EDA), temperatura da pele (TEMP) e pressão de volume sanguíneo (BVP). A tarefa é a classificação binária (estresse vs. não estresse).

Preparação de Dados

1. Reamostragem e Alinhamento: Sinais registrados em diferentes frequências foram subamostrados para uma frequência unificada de 1 Hz usando métodos de Fourier para garantir alinhamento e suavidade.
2. Rotulagem: Os estados neutro e de diversão foram fundidos em uma única classe "não estresse" para criar um problema de classificação binária.
3. Janelamento: Os dados foram segmentados em janelas de 60 segundos com uma sobreposição deslizante de 30 segundos para aumentar o tamanho da amostra e fornecer informações contextuais.
4. Normalização: A normalização min-max foi aplicada para escalar os sinais para o intervalo [0, 1].

Modelos Generativos

Os autores treinaram três arquiteturas de GAN distintas para gerar dados sintéticos de séries temporais:

1. Conditional GAN (CGAN): Um modelo não privado onde tanto o gerador quanto o discriminador recebem rótulos de classe (estresse/não estresse) como entrada auxiliar. Utiliza camadas LSTM para capturar dependências temporais e um discriminador FCN.
2. DoppelGANger (DGAN): Um modelo não privado que desacopla a geração de metadados (rótulos) das medições contínuas usando geradores e discriminadores separados para lidar com correlações multimodais.
3. Differentially Private CGAN (DP-CGAN): Uma variante da CGAN que preserva a privacidade. Emprega o Gradiente Descendente Estocástico Diferencialmente Privado (DP-SGD) especificamente no discriminador durante o treinamento. O ruído é injetado nos gradientes do discriminador ao processar dados reais para garantir que as amostras geradas não vazem informações sobre indivíduos específicos.

Estratégias de Avaliação

Os dados sintéticos foram avaliados usando duas estratégias primárias dentro de um framework de validação cruzada Leave-One-Subject-Out (LOSO):

• Train Synthetic, Test Real (TSTR): Modelos treinados exclusivamente em dados sintéticos gerados pelas GANs e testados em dados reais do WESAD.
• Aumento (AUGM): Dados sintéticos combinados com dados reais de treinamento para aumentar o tamanho do conjunto de dados.

O estudo testou três orçamentos de privacidade ($\epsilon$) para o DP-CGAN: 10 (relaxado), 1 (forte) e 0.1 (muito estrito).

Avaliação de Qualidade

A qualidade dos dados sintéticos foi avaliada via:

• Análise Visual/Estatística: PCA e t-SNE para visualizar a distribuição dos dados e agrupamentos.
• Análise de Correlação: Coeficientes de correlação de Pearson e valores-p para verificar se os dados sintéticos preservaram as relações entre sinais e rótulos (ex: a conhecida correlação positiva entre EDA e estresse).
• Teste de Dois Amostras de Classificador (C2ST): Um classificador treinado para distinguir entre dados reais e sintéticos; uma acurácia menor indica maior similaridade entre as duas distribuições.

Principais Resultados

Qualidade dos Dados Sintéticos

• Modelos Não Privados: Tanto a CGAN quanto a DGAN produziram dados sintéticos que mimetizaram de perto a distribuição estatística e as correlações dos dados originais do WESAD. A CGAN mostrou um alinhamento ligeiramente melhor nas visualizações t-SNE.
• Impacto da Privacidade: À medida que o orçamento de privacidade se tornava mais estrito (menor $\epsilon$), a qualidade dos dados sintéticos degradava.
  • Em $\epsilon = 10$ e $\epsilon = 1$, a DP-CGAN manteve estruturas de correlação razoáveis, particularmente para EDA e TEMP.
  • Em $\epsilon = 0.1$, o modelo teve dificuldades para preservar a correlação crítica entre EDA e rótulos de estresse, mudando o foco para outros sinais (ACC, TEMP) e introduzindo sobrecorrelações em BVP. A densidade de distribuição de EDA também desviou significativamente dos dados originais.

Desempenho de Detecção de Estresse

Os dados sintéticos foram usados para treinar classificadores CNN, CNN-LSTM e TSCT.

• Aumento Não Privado: O uso de dados sintéticos não privados (CGAN) proporcionou uma melhoria marginal no F1-score (0,45%) sobre os modelos de linha de base treinados apenas com dados reais.
• Aumento Privado: Os achados mais significativos foram observados nos cenários com restrição de DP.
  • Treinar classificadores com dados sintéticos da DP-CGAN resultou em melhorias substanciais no F1-score em comparação com o treinamento direto em dados reais sob as mesmas restrições de DP.
  • Especificamente, em cenários de treinamento privado, o uso de dados sintéticos levou a um aumento de 11,90% a 15,48% no F1-score através de diferentes valores de $\epsilon$.
  • Por exemplo, no orçamento estrito de $\epsilon = 0.1$, o modelo aumentado por DP-CGAN alcançou um F1-score de 84,19%, superando significativamente o modelo DP-TSCT de trabalhos relacionados (68,71%) e a linha de base DP não aumentada.

Significância e Alegações

O artigo afirma que a geração de dados sintéticos diferencialmente privados é uma estratégia viável para superar a relação utilidade–privacidade na monitoração de saúde via dispositivos vestíveis.

1. Utilidade Aprimorada sob Restrições de Privacidade: A principal contribuição é demonstrar que gerar dados sintéticos sob DP permite que pesquisadores treinem modelos de detecção de estresse com desempenho significativamente superior ao treinar diretamente em dados reais sob as mesmas garantias de privacidade. Os dados sintéticos efetivamente "diluem" o custo da privacidade, permitindo que o modelo aprenda padrões robustos sem expor registros individuais.
2. Disponibilidade de Dados com Preservação de Privacidade: A abordagem permite a criação de grandes conjuntos de dados rotulados para detecção de estresse que podem ser compartilhados livremente sem os obstáculos éticos e legais do manuseio de dados reais de pacientes, desde que o processo de geração adira à DP.
3. Viabilidade de Geração Multimodal: O estudo confirma que as GANs podem gerar com sucesso dados de séries temporais multimodais complexos (ACC, EDA, TEMP, BVP) que retêm as correlações fisiológicas necessárias para uma classificação de estresse precisa, mesmo quando o ruído de privacidade é aplicado.

Os autores concluem que, embora o aumento dos requisitos de privacidade ($\epsilon \to 0.1$) inevitavelmente impacte a fidelidade dos dados sintéticos, o ganho de utilidade resultante para tarefas de classificação downstream em ambientes de privacidade é substancial, oferecendo um caminho prático para a pesquisa de saúde inteligente consciente da privacidade.