World Sleep Industry ENCYCLOPEDIA

合成睡眠數據生成

4.4.3

定義、類型與分類邊界

合成睡眠數據生成是用規則、統計模型、訊號模擬、生成式機器學習或其組合,產生不直接對應某一次真實個人記錄的睡眠相關資料,歸入 WSIC 4.4.3「睡眠數據服務」。對象可包括睡眠階段序列、結構化病例、多導睡眠監測(PSG)波形、EEG、EOG、EMG、ECG、PPG、呼吸、血氧、體動、雷達、鼾聲或環境音訊、視訊和文字。完全由生理或設備規則建構的資料、從真實資料學習分布後取樣的資料,以及對真實片段做變形的資料,來源與風險不同,交付時不能籠統寫成同一種「合成資料」。

合成資料可用於軟體測試、教學示範、原型開發、類別擴充、隱私風險降低、極端條件和設備故障注入,但它不是自動匿名的真實資料,也不是新的臨床受試者證據。增加合成樣本不會增加真實人群的獨立觀察數,生成器產生的罕見疾病或事件也不表示該現象已被真實採集。服務方應明確生成目標、允許用途和禁止用途,避免下游把模擬記錄混入病歷、真實世界證據、演算法最終測試或患者報告。

目標設定、來源資料與生成方案

專案首先要確定合成對象、用途和保真層級。介面與壓力測試可能只需欄位合法、時間連續和邊界涵蓋;演算法訓練需要任務相關訊號與標籤關係;研究示範需要統計結構;安全或臨床用途還要關注生理合理性和失敗模式。需求應寫明目標人群、設備、導聯、取樣率、單位、整夜或片段長度、標籤體系、條件變數、需要涵蓋的罕見事件、允許的隨機性、輸出數量,以及是否要模擬缺失、雜訊、脫落、時鐘偏移和不同採集中心。

若生成器從真實睡眠資料學習,應先審查資料來源、同意或授權、代表性、標籤品質、重複受試者、預處理、疾病和設備分布。來源資料中的缺口、測量偏差和錯誤會被複製或放大,不能用生成器憑空推斷從未觀察的人群。方法選擇可包括生理或物理模擬、機率模型、重新取樣與擾動、生成對抗網路、變分自編碼器、擴散模型或時序基礎模型;應按目標選擇,而不是只追逐最複雜架構。訓練、調參與隱私評估使用的資料和攻擊者可取得的輔助資訊也要在方案中說明。

睡眠結構、生理約束與多模態一致性

睡眠資料既有局部波形,也有整夜結構。合成 EEG 不只要呈現大致頻譜,還要處理振幅、瞬態波形、偽跡和階段依賴;呼吸、氣流、努力與血氧之間需要合理的時間關係;PPG、心率和體動要與狀態變化相容;階段序列應保留轉換、持續時間和整夜結構,而不是隨機排列標籤。多模態 PSG 更需維持同一時間軸上的跨通道關係。僅憑一張逼真的波形圖或一個低判別器分數,不能證明資料具有生理意義。

品質控制應包括硬規則和專業複核,例如數值範圍、單位、取樣與濾波、通道同步、事件先後、互斥狀態、標籤與訊號匹配,以及年齡、疾病、藥物和設備條件下的合理性。專案要專門尋找不可能組合、模式坍塌、重複範本、邊界跳變、罕見類別遺失和條件控制失敗。對於沒有可靠生理模型的內容,應將其標為實驗性或僅供測試,不能用專家無法區分真假作為安全與有效性的充分證據。

保真度、效用、公平性與驗收

合成品質沒有一個通用分數。廣義保真度可比較單變數分布、變數關係、頻譜、時間自相關、事件共現、階段轉換和夜級統計;特定效用則應針對預定任務,例如統計分析能否重現、軟體能否通過邊界測試,或用合成資料訓練後在獨立真實資料上的表現。評價還要涵蓋多樣性和涵蓋度,防止平均分布相似卻遺漏罕見人群和困難樣本。不同生成方法和資料版本應使用預先確定的指標與真實留出集比較。

用於演算法增強時,至少應比較真實資料基線、僅合成訓練、真實與合成混合訓練,並始終在未用於生成器或下游模型開發的真實資料上測試。結果要按人群、中心、設備、疾病、階段和訊號品質分層,檢查合成資料是否改善少數類卻損害其他組。對統計研究,應驗證目標估計、相關結構和不確定性,而不只是下游分類準確率。驗收報告應同時披露未通過項目和用途限制;擴大合成數量不能修復來源資料不代表目標人群的問題。

隱私、洩露風險與資料保護

由真實健康資料訓練的生成器可能記憶或近似重現個人片段,尤其在樣本小、維度高、罕見記錄或訓練過度時。刪除姓名、改變編號或聲稱「記錄是虛構的」都不能單獨證明匿名。隱私評價應根據發布對象和威脅模型檢查最近鄰、重複與異常相似樣本、成員推斷、屬性推斷、連結、重建和生成器查詢風險,並考慮模型權重、介面、條件變數和輔助資料是否會一起洩露資訊。公開發布、受控共享和僅在安全環境內使用需要不同審查。

差分隱私可以對個人參與訓練所增加的隱私損失給出形式化約束,但必須審查相鄰關係定義、隱私預算、會計、取樣、組合、實作和隨機性,而不是只寫一個「DP」標籤。更強保護通常會降低細粒度效用,且對小群體影響可能更大。若未採用形式化保證,也應明確保護只是經驗性的並保留存取控制、合約、稽核和再識別測試。最終是否構成匿名、去識別或仍屬個人資料,要按適用法域、生成過程和可合理取得的資訊判斷,合成技術不能替代合法依據與資料治理。

交付格式、可追溯性與使用控制

交付包應包含生成資料、schema 與代碼表、生成器和程式碼版本、訓練資料概況、條件變數、隨機種子或可重現策略、預處理與後處理、品質和隱私報告、已知限制、授權條款及合成標識。波形可使用 EDF 或 EDF+、WAV、HDF5、NumPy 或其他約定格式,結構化資料可使用 CSV、Parquet 或 JSON,但都需驗證單位、時間基準、編碼、缺失值和目標工具匯入。每個檔案和資料集層級的中繼資料都應清楚標明為合成,避免與真實記錄混庫。

來源記錄要能回答由哪個生成器、哪次執行、哪些來源資料版本和參數產生,但不應把敏感來源資訊暴露給無權接收者。若透過 API 動態生成,應控制速率、查詢組合、輸出篩查和日誌,並防止反覆查詢逼近訓練樣本。修改生成器、隱私預算、來源資料、條件分布或後處理都應形成新版本並重新評價。被下游模型使用後,還要保存合成資料版本與訓練製品的對應關係,便於發現問題時定位、撤回和重新訓練。

採購合約、風險治理與發展方向

服務可按專案、生成量、私有部署、模型授權或託管介面計費。合約應明確真實來源資料的處理權限、生成物與生成器權屬、第三方元件、能否跨客戶訓練或重複使用、人員與資料所在地、保密、安全、模型刪除、輸出發布、再識別禁止、濫用處置和退出交付。驗收應把效用、隱私、公平和生理合理性分別列為證據,不接受用「逼真度高」替代全部指標。用於考試、設備記錄或研究資料時,還應有顯著合成標識和審批,防止偽造或污染真實資料鏈。

未來方向包括受物理與生理約束的多模態生成、可控罕見事件、帶形式化隱私保證的時序模型、模擬與真實資料閉環以及標準化資料卡。進步也會加大深度偽造、隱私攻擊和偏差擴散風險。高品質服務應把「為什麼生成、對誰有用、洩露什麼、哪裡會失敗」同時回答。涉及醫療器材、臨床研究或患者管理時,最終安全性、效能與公平性仍須在代表性真實資料和真實流程中驗證;合成資料只能作為經說明的補充,不能替代必要的真實證據。