World Sleep Industry ENCYCLOPEDIA

睡眠数据合成化处理

6.4.2

定义、类型与适用场景

睡眠数据合成化处理,是利用统计模型、机器学习、信号模拟或规则系统生成新记录,使其在选定结构、分布和关系上近似真实睡眠数据的技术与服务。完全合成数据替换全部个体级字段;部分合成数据只替换部分变量,仍可能保留真实年龄、诊断或事件;模拟数据则可依据生理或设备模型产生,不一定以真实人员记录训练。不同类型的隐私、保真度和适用范围不能混为一谈。

合成数据可用于软件开发、接口测试、培训演示、分析原型、研究探索、算法预训练、少数场景补充和有限的数据共享。它能够减少某些环节对真实个人数据的需求,却不天然是匿名数据,也不应在未经验证时替代真实世界证据。服务必须标明生成目的、源数据范围、被合成与保留的字段、目标人群、允许用途和禁止用途;供测试使用的数据不能因为格式逼真就被宣称可支持临床结论。

源数据、生成流程与数据谱系

生成流程应从合法、适当且有代表性的源数据开始。需要记录采集设备、睡眠中心、时间范围、纳入排除标准、标注方法、缺失机制、预处理和样本划分。PSG、脑电、心电、呼吸、血氧、体动、环境音频、卧室视频、问卷及诊断标签具有不同采样率和依赖结构,若在合成前被错误对齐或切片,生成模型只会复制并放大这些问题。源数据中的偏差、设备伪影和标签错误也不会因“合成”而消失。

应在训练前划分开发、验证与保留测试数据,避免用同一真实记录同时调参和评估。生成器版本、随机种子管理方式、超参数、训练轮次、特征工程、条件变量、停止规则和后处理均需形成数据谱系。多夜记录应按人员划分,防止同一人的相邻夜晚跨入训练和测试;长时波形切片也要保留人员、夜晚和通道层级。部分合成文件必须逐字段标识真实、派生与合成状态,防止使用者误把保留字段当作人工数据。

隐私风险与保护机制

生成模型可能记忆并复现训练样本,尤其是罕见病种、异常波形、独特时间序列或小群体记录。攻击者可比较近邻、判断某人是否参与训练、利用已知属性推断未知属性,或将合成记录与外部资料关联。合成行没有真实姓名,并不能排除对源数据人员的泄露。隐私评估应覆盖精确或近似复制、最近邻距离、成员推断、属性推断、唯一组合、异常值和多次发布之间的组合风险,并针对攻击者可能拥有的辅助信息建模。

若需要稳健、可量化的源数据隐私保证,应考虑使用满足差分隐私的训练或生成算法,并公开保护单位、相邻关系、贡献界限、ε、δ和累计预算。非差分隐私生成器只能依据特定测试提供经验性风险证据,不能据此保证抵御未知攻击。去除复制样本、距离阈值过滤或抑制小群体可以降低部分风险,但这些后处理本身不构成普适证明。源数据、模型权重、检查点、随机状态和生成日志仍须按敏感数据保护。

保真度、统计效用与偏差

保真度评价应从单变量扩展到联合分布、时序结构和临床关系。除均值、方差、分位数和类别比例外,还应比较睡眠阶段转移、周期长度、事件持续时间、通道间同步、昼夜或多夜变化,以及年龄、性别、设备和疾病亚组的条件分布。只让边际直方图相似,可能同时破坏呼吸事件与血氧下降、睡眠阶段与觉醒、体动与心率之间的关键关系。近似真实也不等于来源正确,过于接近甚至可能提示记忆泄露。

合成过程会引入模型误差、抽样误差和随机误差,并可能淡化罕见事件、制造不可能组合或强化源数据偏差。验收应预先定义用途相关指标、允许差异和失败条件,分别报告总体、小群体、极端值和缺失模式。生理规则检查应识别负持续时间、错误阶段序列、不合理采样率和矛盾标签。不得只用一个综合分数掩盖隐私与效用的不同维度,也不得挑选对供应商最有利的指标后再定义用途。

下游任务与临床适用性验证

合成数据的价值应通过目标任务验证。用于软件测试时,应检查模式覆盖、边界值、异常消息、格式一致性和缺陷发现率;用于统计分析时,应在真实保留集上比较估计量、置信区间和结论方向;用于机器学习时,可采用在合成数据上训练、在未参与生成的真实数据上测试,并与真实数据训练基线比较判别、校准、鲁棒性和亚组性能。仅在合成数据内部交叉验证,无法证明模型可泛化到真实患者和设备。

合成数据可以补充稀有场景,却不能凭空建立这些场景的真实发生率或临床多样性。过采样罕见呼吸事件、儿科或共病人群时,应区分教学覆盖与流行病学代表性,并防止生成器把少量真实个案近似复制。用于诊断、治疗、设备性能或监管证据时,必须说明合成数据承担的证据角色,保留足够的独立真实数据进行确认,并由睡眠医学、统计和工程专家共同审查;不能把“模型生成合理”替代临床有效性。

发布、运维与可审计性

公开发布、受控研究访问、内部测试和供应商交换应采用不同风险阈值。发布前需要冻结数据与生成器版本,执行隐私和效用双重评审,记录审批范围、接收者、许可证、禁止关联行为和再分发条件。即使通过评估,也可对高风险数据采用安全环境、查询接口、下载限制或数据使用协议。多个合成版本若从相同源数据生成,应联合评估,因为攻击者可能比较版本以恢复稳定细节或减少随机性。

生产管线需控制代码、依赖、模型权重、随机源、密钥、临时文件和访问日志。每份数据应带有机器可读的生成日期、版本、模式、字段语义、真实或合成状态、适用用途、已知限制和评价报告标识。审计链应连接源数据批准、训练任务、参数、检查点、过滤、隐私测试、效用测试、发布和撤回。发现复制、泄露或严重偏差时,应能暂停下载、通知接收者、撤回版本并评估下游模型,而不是仅替换文件。

治理、采购验收与服务边界

数据控制方、隐私负责人、数据科学团队、临床专家、平台运营者和使用者应共同决定合成化是否适合具体目的。原始数据用于训练生成器本身仍是数据处理,需要合法依据、最小化、访问限制、保存期限和数据主体权利安排。合成数据的法律状态应基于可识别风险、保留字段和实际接收环境评估,不能仅凭供应商标签决定。合成化也不会自动消除偏见、知识产权、同意范围或跨境处理问题。

采购方应要求供应商提交生成方法、源数据概况、完全或部分合成说明、字段级谱系、隐私模型和参数、记忆与推断测试、效用和亚组报告、随机性控制、版本管理、已知限制、独立评估和事件响应方案。验收应使用采购方的代表性睡眠任务及独立真实保留集复测,并检查复现样本、罕见群体、时序一致性和跨版本风险。对“数据是假的所以零风险”“统计相似即可用于临床”或“合成数量越多信息越真实”等说法,应要求改为有证据、限定用途且说明残余风险的承诺。