Resumo Técnico: Um Framework Evidencial Consciente de Conflito para Classificação Confiável de Estágios do Sono

Declaração do Problema

A classificação automática de estágios do sono é uma tarefa crítica para o diagnóstico de distúrbios do sono, tradicionalmente realizada manualmente por especialistas utilizando dados de polissonografia (PSG), um processo que consome tempo e é intensivo em mão de obra. Embora os modelos de aprendizado de máquina tenham acelerado esse processo, os métodos multivisão existentes (que utilizam múltiplas modalidades, como EEG e EOG) enfrentam um desafio significativo de confiabilidade. A maioria das abordagens atuais assume que as diferentes visões estão bem alinhadas e atribui pesos fixos ou iguais a elas. No entanto, em cenários do mundo real, diferentes modalidades frequentemente fornecem informações conflitantes devido a ruído no sinal, variabilidade fisiológica ou diferenças inerentes nas características do sinal. Os métodos existentes frequentemente falham em detectar ou lidar adequadamente com esses conflitos intervisão, levando a uma confiabilidade comprometida na estadiagem. Além disso, os modelos padrão de aprendizado profundo frequentemente produzem previsões excessivamente confiantes, mesmo quando confrontados com dados de baixa qualidade ou conflitantes.

Metodologia: ConfSleepNet

Os autores propõem o ConfSleepNet, um framework evidencial consciente de conflito projetado para resolver dinamicamente conflitos intervisão e produzir decisões conjuntas confiáveis. O framework opera em duas fases principais: extração de evidência multivisão e agregação consciente de conflito.

1. Extração de Evidência Multivisão com Estruturas Híbridas

Diferentemente dos métodos tradicionais que tratam todas as modalidades com uma estrutura uniforme de classificação de cinco classes, o ConfSleepNet aproveita a complementaridade fisiológica dos sinais de EEG e EOG por meio de uma estrutura de categoria híbrida:

• Entradas de EEG e Multivisão: Processadas por Redes Neurais Profundas Evidenciais (DNNs) ($f_1$ e $f_2$) para aprender evidência finamente granulada para todas as cinco etapas do sono (Vigília, N1, N2, N3, REM).
• Entradas de EOG: Processadas por DNNs evidenciais ($f_3$ e $f_4$) para aprender evidência grossamente granulada para três categorias (Vigília, REM e uma etapa NREM combinada). Este design reconhece que o EOG é particularmente eficaz para identificar o REM, mas menos discriminativo para subestágios específicos de NREM em comparação com o EEG.

A arquitetura emprega ramos convolucionais paralelos com diferentes tamanhos de kernel, aprimorados por módulos de atenção GCNet-1D e mecanismos de atenção cruzada para capturar características tempo-frequenciais e interações intermodais. Uma camada de LSTM Bidirecional modela padrões de transição de estágio através de épocas consecutivas.

2. Mapeamento de Evidência

Antes da fusão, os vetores de evidência grossamente granulada (3 classes) das redes baseadas em EOG são mapeados para vetores finamente granulados (5 classes) usando uma camada de mapeamento de evidência fixa. Essa transformação distribui a evidência para a categoria NREM combinada igualmente entre seus subestágios (N1, N2, N3), preservando a massa total de evidência para Vigília e REM.

3. Agregação Multivisão Consciente de Conflito (CMAM)

A inovação central reside na fase de agregação, que utiliza Aprendizado Profundo Evidencial (EDL) e Lógica Subjetiva:

• Construção de Opinião: A evidência de cada visão é convertida em uma distribuição Dirichlet, gerando uma "opinião subjetiva" consistindo em massas de crença (probabilidades de previsão) e uma massa de incerteza.
• Métrica de Conflito: Uma métrica inovadora quantifica o grau de conflito entre quaisquer duas opiniões com base na divergência de suas massas de crença.
• Regra de Agregação: O framework introduz um método de Agregação Multivisão Consciente de Conflito (CMAM). Diferentemente de métodos anteriores que podem reduzir cegamente a incerteza ao adicionar visões consistentes ou falhar em contabilizar o conflito, o CMAM ajusta explicitamente a opinião conjunta final com base no grau de conflito:
  • Visões Consistentes: Incorporar opiniões consistentes reduz a incerteza geral, aumentando a confiança.
  • Visões Conflitantes: Incorporar uma opinião conflitante com alta incerteza aumenta a incerteza geral da decisão conjunta, efetivamente reduzindo o peso de visões não confiáveis em vez de forçar um consenso.

4. Estratégia de Treinamento

O modelo é treinado conjuntamente usando uma função de perda que combina:

• Perda de Precisão: Incentiva a evidência para a categoria de verdade fundamental (ground-truth) a se aproximar da evidência total.
• Divergência KL: Penaliza o modelo por atribuir alta evidência a classes incorretas, incentivando a evidência total a diminuir (alta incerteza) para amostras mal classificadas. Um coeficiente de annealing é usado para aumentar gradualmente o peso do termo KL para evitar convergência prematura.

Principais Contribuições

1. Framework ConfSleepNet: A proposta de um framework evidencial que introduz uma estrutura de categoria híbrida (grossamente granulada para EOG, finamente granulada para EEG) para facilitar a aprendizagem de evidência diferenciada e alinhada fisiologicamente.
2. Agregação Consciente de Conflito: O desenvolvimento de um método de agregação inovador (CMAM) que quantifica e gerencia explicitamente conflitos intervisão. A análise teórica demonstra que este método reduz corretamente a incerteza quando as visões são consistentes e aumenta a incerteza quando as visões conflitam, abordando uma limitação nos métodos de fusão baseados em EDL existentes.
3. Validação Empírica: Avaliação extensa em quatro conjuntos de dados públicos (SleepEDF-20, SleepEDF-78, MASS-SS3 e SHHS) mostrando desempenho superior às bases de comparação mais avançadas, incluindo métodos de visão única, multivisão e conscientes de incerteza.

Resultados Experimentais

O artigo relata que o ConfSleepNet alcança desempenho de última geração em todos os conjuntos de dados testados:

• Precisão e Pontuação F1: O ConfSleepNet supera bases de comparação como DeepSleepNet, XSleepNet e o atual estado da arte consciente de incerteza TMCEK. Por exemplo, no conjunto de dados SleepEDF-20, alcançou uma precisão de 87,2% e um macro-F1 de 81,8%, superando o próximo melhor método por uma margem de 0,4% a 2,0% em precisão.
• Melhoria Específica de Estágio: O modelo mostra melhoria particular na classificação dos estágios REM e Vigília, que são frequentemente propensos a confusão devido a similaridades de características.
• Estudos de Ablação: Experimentos confirmam que tanto a estrutura de categoria híbrida quanto a estratégia de agregação consciente de conflito são essenciais. A remoção do mecanismo consciente de conflito (substituindo-o por fusão média) ou o uso de uma estrutura de categoria uniforme resultaram em quedas de desempenho.
• Análise de Conflito: A visualização dos graus de conflito revela que os conflitos intervisão são significativamente maiores durante as transições de estágio do sono (por exemplo, de N2 para N3) em comparação com estágios estáveis, validando a necessidade de um mecanismo consciente de conflito.
• Generalizabilidade: O método CMAM também foi testado em benchmarks gerais multivisão (HandWritten, Scene15, CUB, PIE), onde superou consistentemente outros métodos evidenciais e de fusão, sugerindo sua aplicabilidade além da estadiagem do sono.

Significado e Alegações

Os autores afirmam que o ConfSleepNet fornece uma abordagem mais robusta e confiável para a estadiagem automática do sono, modelando explicitamente a incerteza e os conflitos potenciais inerentes aos dados fisiológicos multimodais.

• Relevância Clínica: Ao melhorar a confiabilidade da estadiagem, particularmente para estágios clinicamente críticos como o REM, o método possui implicações positivas para a aplicação prática do diagnóstico automatizado de distúrbios do sono.
• Solvência Teórica: O artigo fornece provas teóricas demonstrando que o método de agregação proposto satisfaz os princípios de reduzir a incerteza com visões consistentes e aumentá-la com visões conflitantes, uma propriedade frequentemente ausente nas técnicas de fusão existentes.
• Utilidade Geral: O sucesso do framework em conjuntos de dados multivisão gerais sugere que a abordagem evidencial consciente de conflito é uma solução generalizável para a tomada de decisão confiável em cenários envolvendo fontes de dados heterogêneas e potencialmente conflitantes.

O trabalho conclui que, ao ajustar dinamicamente a importância de cada visão com base na avaliação de conflito, o ConfSleepNet mitiga efetivamente os riscos de previsões enganosas, oferecendo um passo significativo para a frente na automação da estadiagem do sono.