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

Título: Transferência de Domínio Não Supervisionada: Superando a Degradação de Sinal no Monitoramento do Sono Aumentando o Realismo da Pontuação

1. Problema

O monitoramento do sono em ambientes "selvagens" (in the wild), especialmente utilizando dispositivos de contato seco (dry-contact), enfrenta o desafio crítico da degradação de sinal. Ruídos, falhas de conexão, interferências e variações de hardware podem corromper os dados de EEG/EOG, levando a uma discrepância significativa entre o domínio de treinamento (dados limpos) e o domínio de aplicação (dados ruidosos).

• Limitação Atual: Modelos de aprendizado profundo de ponta (como o U-Sleep) sofrem quando aplicados a dados com distribuição diferente da de treinamento.
• Desafio Específico: Métodos supervisionados exigem rótulos manuais (ground truth) no domínio alvo para adaptação, o que é caro e inviável para monitoramento contínuo em larga escala. Métodos não supervisionados anteriores mostraram benefícios limitados para esse problema específico.

2. Metodologia

Os autores propõem uma abordagem de Transferência de Domínio Não Supervisionada baseada em aprendizado adversarial, focada em aumentar o "realismo" do hipnograma (a sequência de estágios de sono) gerado.

• Arquitetura do Modelo:
  • Base: Utiliza o modelo pré-treinado U-Sleep (estado da arte).
  • Estrutura: O modelo é dividido em um Encoder (extração de características) e um Decoder (geração de pontuação).
  • Componentes Adicionais: Um Discriminador leve baseado em Transformer é adicionado.
• Mecanismo de Treinamento (Adversarial):
  • O objetivo é alinhar as características do domínio alvo (dados distorcidos) com o espaço de características aprendido no domínio fonte (dados limpos), sem usar rótulos no alvo.
  • Discriminador: Treinado para distinguir se um hipnograma provém do domínio fonte ou alvo.
  • Encoder do Alvo: Treinado para "enganar" o discriminador, fazendo com que os hipnogramas gerados a partir de dados distorcidos pareçam estatisticamente idênticos aos gerados a partir de dados limpos.
  • Hipótese Central: Ao forçar o modelo a gerar hipnogramas que sejam "realistas" (ou seja, que sigam padrões fisiológicos esperados e a estrutura temporal correta), o modelo aprende a ignorar o ruído e recuperar a pontuação correta.
• Funções de Perda:
  1. Perda Adversarial: Minimiza a capacidade do discriminador de distinguir entre domínios.
  2. Perda de Âncora (Anchor Loss): Penaliza desvios entre o encoder do alvo e o encoder fonte (frozen) quando ambos processam dados do mesmo tipo, garantindo consistência e evitando que o modelo "esqueça" o conhecimento prévio.
• Simulação de Distorções: Para testar a robustez, os autores criaram domínios alvo artificiais aplicando três tipos de distorções aos dados limpos:
  1. Ruído Branco: Simula canais quebrados.
  2. Sobrecarga do Amplificador: Simula picos de sinal devido a más conexões de eletrodos.
  3. Deformação Espectral: Simula alterações na distribuição de potência de frequência (filtros passa-alta/baixa).

3. Principais Contribuições

• Abordagem de "Realismo" do Hipnograma: A principal inovação é tratar a correção de sinal não como uma reconstrução do sinal bruto, mas como uma busca pelo hipnograma mais "realista" possível dentro do espaço de pontuação. Isso explora a esparsidade dos hipnogramas corretos no espaço total de possibilidades.
• Solução Genérica para Distorções: O método demonstra capacidade de lidar com múltiplos tipos de degradação de sinal sem necessidade de re-treinamento supervisionado para cada tipo específico.
• Análise de Validação Rigorosa: Inclusão de uma análise de "Kappa de Chance" para garantir que as melhorias não sejam devidas a previsões genéricas ou viés de distribuição, mas sim à captura real da estrutura temporal do sono.

4. Resultados

Os experimentos foram realizados em um grande conjunto de dados públicos (National Sleep Research Resource) com milhares de registros.

• Desempenho Geral:
  • O método não supervisionado melhorou consistentemente o desempenho em relação ao modelo pré-treinado (base) para todos os tipos de distorção.
  • Ganhos no Kappa de Cohen: As melhorias variaram de 0,03 a 0,29, dependendo do tipo e severidade da distorção.
  • Significância Estatística: As melhorias foram estatisticamente significativas (p < 10⁻⁴) e os valores de Kappa ficaram fora da faixa de "chance" (acordo aleatório).
• Comparação com o "Ideal" (Benchmark):
  • Embora o método não supervisionado superasse a base, ele não alcançou o desempenho de um modelo treinado supervisionadamente com rótulos no domínio alvo (o "caso ideal").
  • Em um teste de transferência de domínio real (entre dois estudos de sono distintos), o benefício foi insignificante, sugerindo que a complexidade de variações reais pode ser maior do que as distorções artificiais testadas.
• Escalabilidade: O desempenho melhora com o aumento do tamanho do conjunto de dados de treinamento, mas ainda requer milhares de registros para atingir bons resultados, indicando uma necessidade de maior eficiência de dados.

5. Significância e Conclusão

• Potencial para Uso em "Selvagem": A técnica de "ajuste fino guiado por discriminador" é promissora para monitoramento do sono em dispositivos vestíveis e ambientes não controlados, onde a qualidade do sinal é imprevisível.
• Insight sobre Dados de Sono: O trabalho reforça que o espaço de hipnogramas válidos é altamente restrito e estruturado; explorar essa estrutura (esparsidade) pode ser uma chave para algoritmos inteligentes de pontuação.
• Limitações e Futuro:
  • A abordagem ainda não atinge o desempenho ótimo teórico.
  • É necessário reduzir a quantidade de dados de treinamento necessária (atualmente na ordem de milhares de noites) para viabilizar a aplicação clínica ou de engenharia.
  • Futuras pesquisas devem explorar arquiteturas de modelo diferentes e técnicas de aumento de dados para melhorar a eficiência.

Em resumo, o artigo demonstra que é possível melhorar a robustez de modelos de sono contra degradação de sinal utilizando apenas dados não rotulados do domínio alvo, guiando o modelo para gerar saídas fisiologicamente plausíveis, embora desafios de eficiência de dados e desempenho absoluto ainda persistam.