World Sleep Industry ENCYCLOPEDIA

合成睡眠数据生成

4.4.3

定义、类型与分类边界

合成睡眠数据生成是用规则、统计模型、信号仿真、生成式机器学习或其组合,产生不直接对应某一次真实个体记录的睡眠相关数据,归入 WSIC 4.4.3“睡眠数据服务”。对象可包括睡眠阶段序列、结构化病例、多导睡眠监测(PSG)波形、EEG、EOG、EMG、ECG、PPG、呼吸、血氧、体动、雷达、鼾声或环境音频、视频和文本。完全由生理或设备规则构造的数据、从真实数据学习分布后采样的数据,以及对真实片段做变形的数据,来源与风险不同,交付时不能笼统写成同一种“合成数据”。

合成数据可用于软件测试、教学演示、原型开发、类别扩充、隐私风险降低、极端条件和设备故障注入,但它不是自动匿名的真实数据,也不是新的临床受试者证据。增加合成样本不会增加真实人群的独立观察数,生成器产生的罕见疾病或事件也不等于该现象已被真实采集。服务方应明确生成目标、允许用途和禁止用途,避免下游把仿真记录混入病历、真实世界证据、算法最终测试或患者报告。

目标设定、源数据与生成方案

项目首先要确定合成对象、用途和保真层级。接口与压力测试可能只需字段合法、时间连续和边界覆盖;算法训练需要任务相关信号与标签关系;科研演示需要统计结构;安全或临床用途还要关注生理合理性和失败模式。需求应写明目标人群、设备、导联、采样率、单位、整夜或片段长度、标签体系、条件变量、需要覆盖的稀有事件、允许的随机性、输出数量,以及是否要模拟缺失、噪声、脱落、时钟偏移和不同采集中心。

若生成器从真实睡眠数据学习,应先审查数据来源、同意或授权、代表性、标签质量、重复受试者、预处理、疾病和设备分布。源数据中的缺口、测量偏差和错误会被复制或放大,不能用生成器凭空推断从未观察的人群。方法选择可包括生理或物理仿真、概率模型、重采样与扰动、生成对抗网络、变分自编码器、扩散模型或时序基础模型;应按目标选择,而不是只追逐最复杂架构。训练、调参与隐私评估使用的数据和攻击者可获得的辅助信息也要在方案中说明。

睡眠结构、生理约束与多模态一致性

睡眠数据既有局部波形,也有整夜结构。合成 EEG 不只要呈现大致频谱,还要处理振幅、瞬态波形、伪迹和阶段依赖;呼吸、气流、努力与血氧之间需要合理的时间关系;PPG、心率和体动要与状态变化相容;阶段序列应保留转换、持续时间和整夜结构,而不是随机排列标签。多模态 PSG 更需维持同一时间轴上的跨通道关系。仅凭一张逼真的波形图或一个低判别器分数,不能证明数据具有生理意义。

质量控制应包括硬规则和专业复核,例如数值范围、单位、采样与滤波、通道同步、事件先后、互斥状态、标签与信号匹配,以及年龄、疾病、药物和设备条件下的合理性。项目要专门寻找不可能组合、模式坍塌、重复模板、边界跳变、罕见类别丢失和条件控制失败。对于没有可靠生理模型的内容,应将其标为实验性或仅供测试,不能用专家无法区分真假作为安全与有效性的充分证据。

保真度、效用、公平性与验收

合成质量没有一个通用分数。广义保真度可比较单变量分布、变量关系、频谱、时间自相关、事件共现、阶段转换和夜级统计;特定效用则应针对预定任务,例如统计分析能否复现、软件能否通过边界测试,或用合成数据训练后在独立真实数据上的表现。评价还要覆盖多样性和覆盖度,防止平均分布相似却遗漏稀有人群和困难样本。不同生成方法和数据版本应使用预先确定的指标与真实留出集比较。

用于算法增强时,至少应比较真实数据基线、仅合成训练、真实与合成混合训练,并始终在未用于生成器或下游模型开发的真实数据上测试。结果要按人群、中心、设备、疾病、阶段和信号质量分层,检查合成数据是否改善少数类却损害其他组。对统计研究,应验证目标估计、相关结构和不确定性,而不只是下游分类准确率。验收报告应同时披露未通过项目和用途限制;扩大合成数量不能修复源数据不代表目标人群的问题。

隐私、泄露风险与数据保护

由真实健康数据训练的生成器可能记忆或近似复现个体片段,尤其在样本小、维度高、稀有记录或训练过度时。删除姓名、改变编号或声称“记录是虚构的”都不能单独证明匿名。隐私评价应根据发布对象和威胁模型检查最近邻、重复与异常相似样本、成员推断、属性推断、链接、重建和生成器查询风险,并考虑模型权重、接口、条件变量和辅助数据是否会一起泄露信息。公开发布、受控共享和仅在安全环境内使用需要不同审查。

差分隐私可以对个人参与训练所增加的隐私损失给出形式化约束,但必须审查邻接定义、隐私预算、会计、抽样、组合、实现和随机性,而不是只写一个“DP”标签。更强保护通常会降低细粒度效用,且对小亚组影响可能更大。若未采用形式化保证,也应明确保护只是经验性的并保留访问控制、合同、审计和再识别测试。最终是否构成匿名、去标识或仍属个人数据,要按适用法域、生成过程和可合理获得的信息判断,合成技术不能替代合法依据与数据治理。

交付格式、可追溯性与使用控制

交付包应包含生成数据、schema 与代码表、生成器和代码版本、训练数据概况、条件变量、随机种子或可重复策略、预处理与后处理、质量和隐私报告、已知限制、许可证及合成标识。波形可使用 EDF 或 EDF+、WAV、HDF5、NumPy 或其他约定格式,结构化数据可使用 CSV、Parquet 或 JSON,但都需验证单位、时间基准、编码、缺失值和目标工具导入。每个文件和数据集级元数据都应清楚标明为合成,避免与真实记录混库。

来源记录要能回答由哪个生成器、哪次运行、哪些源数据版本和参数产生,但不应把敏感来源信息暴露给无权接收者。若通过 API 动态生成,应控制速率、查询组合、输出筛查和日志,并防止反复查询逼近训练样本。修改生成器、隐私预算、源数据、条件分布或后处理都应形成新版本并重新评价。被下游模型使用后,还要保存合成数据版本与训练制品的对应关系,便于发现问题时定位、撤回和重训。

采购合同、风险治理与发展方向

服务可按项目、生成量、私有部署、模型许可或托管接口计费。合同应明确真实源数据的处理权限、生成物与生成器权属、第三方组件、能否跨客户训练或复用、人员与数据所在地、保密、安全、模型删除、输出发布、再识别禁止、滥用处置和退出交付。验收应把效用、隐私、公平和生理合理性分别列为证据,不接受用“逼真度高”替代全部指标。用于考试、设备记录或研究数据时,还应有显著合成标识和审批,防止伪造或污染真实数据链。

未来方向包括受物理与生理约束的多模态生成、可控罕见事件、带形式化隐私保证的时序模型、仿真与真实数据闭环以及标准化数据卡。进步也会加大深度伪造、隐私攻击和偏差扩散风险。高质量服务应把“为什么生成、对谁有用、泄露什么、哪里会失败”同时回答。涉及医疗器械、临床研究或患者管理时,最终安全性、性能与公平性仍须在代表性真实数据和真实流程中验证;合成数据只能作为经说明的补充,不能替代必要的真实证据。