FetalSleepNet: A Transfer Learning Framework with Spectral Equalisation Domain Adaptation for Fetal Sleep Stage Classification

Resumo Técnico: FetalSleepNet

1. Problema e Motivação

A classificação de estágios de sono fetal é crucial para a detecção precoce de anomalias no desenvolvimento neurológico associadas a complicações na gravidez (como hipóxia, restrição de crescimento intrauterino e distúrbios hipertensivos). No entanto, existem desafios significativos:

• Dificuldade de Análise Manual: A anotação manual de sinais de eletroencefalograma (EEG) fetal é laboriosa, subjetiva e sofre de inconsistências, especialmente durante transições de estado.
• Escassez de Dados: Existem poucos conjuntos de dados rotulados de EEG fetal (fEEG) em comparação com EEG de adultos.
• Diferenças de Domínio: Aplicar modelos treinados em EEG de adultos diretamente ao EEG fetal falha devido a diferenças substanciais na colocação de eletrodos, amplitude do sinal, conteúdo de frequência e maturação neurodesenvolvimental.
• Necessidade de Automação: Há uma urgência em desenvolver ferramentas objetivas e automatizadas que permitam a escalabilidade e a comparabilidade entre estudos, servindo como uma "engenharia de rótulos" para treinar modelos em sinais não invasivos (como ultrassom Doppler ou ECG fetal).

2. Metodologia

O estudo propõe o FetalSleepNet, um framework de aprendizado profundo projetado especificamente para classificação de sono em EEG de ovelhas fetais (modelo pré-clínico estabelecido).

• Coleta de Dados:

  • Fetal: EEG registrado de 24 fetos de ovelhas (118-128 dias de gestação) através de eletrodos no córtex parietal. Os dados foram anotados em três estados: NREM (sono não-REM), REM (sono REM) e Intermediário (transições/ambíguos).
  • Adulto (Fonte): Utilização do conjunto de dados Sleep-EDF (Sleep Cassette) de adultos saudáveis para pré-treinamento.

• Pré-processamento e Adaptação de Domínio:

  • Limpeza: Remoção de artefatos via Análise de Componentes Independentes (ICA) e filtragem bandpass (1–22 Hz).
  • Equalização Espectral (Spectral Equalisation): Uma técnica inovadora proposta pelos autores para reduzir o mismatch (desajuste) entre os domínios. Em vez de apenas filtrar, o espectro de potência (PSD) do EEG de adultos é escalado para corresponder à média do espectro do EEG fetal. Isso alinha as características de frequência antes do transfer learning, preservando a continuidade temporal do sinal.

• Arquitetura do Modelo (FetalSleepNet):

  • Baseado no TinySleepNet (uma rede leve com ~1,3M de parâmetros), adaptada para o contexto fetal.
  • Entrada: Canais duplos (hemisférios esquerdo e direito).
  • Estrutura:
    1. Aprendizado de Representação: Uma Rede Neural Convolucional (CNN) com quatro camadas convolucionais e pooling para extrair características espaciais e temporais.
    2. Aprendizado de Sequência: Duas camadas LSTM (Long Short-Term Memory) empilhadas (256 unidades cada) para capturar dependências temporais complexas e transições de estado.
    3. Saída: Camada Softmax para classificar os três estados fetais.

• Estratégia de Transfer Learning:

  • O modelo foi pré-treinado no EEG de adultos (5 estados: Vigília, REM, N1-N3).
  • Para o EEG fetal, as camadas CNN e LSTM foram inicializadas com os pesos pré-treinados, e apenas a camada final foi reconfigurada para os 3 estados fetais.
  • Foram testadas estratégias de fine-tuning: CNN congelada, CNN parcial e CNN totalmente ajustada (que obteve os melhores resultados).

3. Contribuições Principais

1. Primeira Abordagem de Deep Learning para Sono Fetal: O FetalSleepNet é o primeiro framework de aprendizado profundo publicado para classificação automática de estágios de sono em EEG de ovelhas fetais.
2. Técnica de Equalização Espectral: Proposição de um método de pré-processamento leve e eficaz que reduz o desajuste de domínio entre EEG adulto e fetal, acelerando a convergência e melhorando a transferência.
3. Engenharia de Rótulos (Label Engine): O sistema funciona como uma ferramenta para gerar anotações em grande escala, permitindo o treinamento de modelos baseados em sinais não invasivos (como ECG fetal ou Doppler) através de aprendizado semi-supervisionado ou por destilação.
4. Código Aberto: Disponibilização dos pesos pré-treinados e do código para facilitar a pesquisa translacional para humanos e outras espécies.

4. Resultados

Os experimentos utilizaram validação cruzada Leave-One-Subject-Out (LOSO) com 24 sujeitos.

• Desempenho Geral:

  • A transferência direta sem adaptação (CNN congelada) falhou miseravelmente (~18,7% de acurácia), confirmando a grande lacuna de domínio.
  • O modelo FetalSleepNet com Equalização Espectral e Full Fine-Tuning alcançou o melhor desempenho:
    • Acurácia: 86,6%
    • Macro F1-Score: 62,5%
  • Este desempenho superou todos os modelos baseline treinados apenas com dados fetais (que atingiram ~58% de Macro F1) e modelos de transferência sem equalização espectral.

• Análise por Classe:

  • NREM e REM: O modelo alcançou F1-scores superiores a 88% e 89%, respectivamente.
  • Estado Intermediário: Permaneceu desafiador (F1 ~9,5%), devido à sua natureza ambígua e escassez de dados, mas o modelo com equalização espectral manteve um desempenho robusto nas classes principais.
  • Significância Estatística: O teste de Wilcoxon confirmou que a equalização espectral trouxe melhorias estatisticamente significativas (p < 0,0001) em todas as métricas principais em comparação com a transferência direta sem equalização.

• Eficiência Computacional:

  • O modelo é extremamente leve, com latência de inferência de ~5,6 ms por época (30 segundos) em CPU e ~6,5 ms em GPU, permitindo operação em tempo real e em dispositivos de baixo consumo.

5. Significância e Impacto

• Avanço Translacional: O estudo estabelece uma ponte crítica entre modelos animais e humanos. Como o EEG fetal humano direto é invasivo e raro, o FetalSleepNet atua como um "padrão-ouro" para validar e treinar modelos baseados em sinais não invasivos (como fECG e ultrassom).
• Monitoramento Clínico: A capacidade de classificar o sono fetal automaticamente pode melhorar a avaliação do bem-estar fetal, permitindo que clínicos correlacionem sinais vitais (como variabilidade da frequência cardíaca) com estados comportamentais específicos (sono ativo vs. quieto).
• Viabilidade de Implantação: O design leve do modelo torna-o ideal para sistemas de monitoramento fetal vestíveis e de baixo custo, facilitando estudos longitudinais em larga escala.
• Futuro: O trabalho abre caminho para o desenvolvimento de curvas de crescimento normativas e detecção precoce de condições como hipóxia e restrição de crescimento, integrando análises específicas de estado em grandes coortes clínicas.

Em suma, o FetalSleepNet demonstra que, com técnicas adequadas de adaptação de domínio (especificamente a equalização espectral), é possível superar a escassez de dados e as diferenças biológicas para criar classificadores de sono fetal robustos, automatizados e clinicamente relevantes.