[論文レビュー] Contextual Motifs: Increasing the Utility of Motifs using Contextual Data

Ian Fox, Lynn Ang+3 more|arXiv (Cornell University)|Mar 6, 2017

Time Series Analysis and Forecasting参考文献 38被引用数 12

ひとこと要約

本論文では、文脈が観測されていない場合に、文脈とモチーフを同時に推論することで、従来の生理時系列データにおけるモチーフ発見を強化する文脈的モチーフというフレームワークを提案する。1型糖尿病患者の連続的血糖モニタリング（CGM）データに適用した結果、文脈なしモチーフと比較して、低血糖および高血糖イベントの予測においてAUCが11–12ポイント向上し、観測されていない文脈であっても、文脈に配慮したモチーフはより判別力が高いことが示された。

ABSTRACT

Motifs are a powerful tool for analyzing physiological waveform data. Standard motif methods, however, ignore important contextual information (e.g., what the patient was doing at the time the data were collected). We hypothesize that these additional contextual data could increase the utility of motifs. Thus, we propose an extension to motifs, contextual motifs, that incorporates context. Recognizing that, oftentimes, context may be unobserved or unavailable, we focus on methods to jointly infer motifs and context. Applied to both simulated and real physiological data, our proposed approach improves upon existing motif methods in terms of the discriminative utility of the discovered motifs. In particular, we discovered contextual motifs in continuous glucose monitor (CGM) data collected from patients with type 1 diabetes. Compared to their contextless counterparts, these contextual motifs led to better predictions of hypo- and hyperglycemic events. Our results suggest that even when inferred, context is useful in both a long- and short-term prediction horizon when processing and interpreting physiological waveform data.

研究の動機と目的

• 標準的なモチーフ手法が文脈を無視するという限界に対処し、これが生理的パターンの誤解釈を招く可能性があること。
• 文脈が観測されていないもしくは利用できない状況において、モチーフと文脈を同時に発見する統合推論フレームワークを構築すること。
• 1型糖尿病における低血糖・高血糖など、臨床的に重要なイベントの予測に向け、モチーフの判別的有用性を向上させること。
• 実世界の生理的データにおいて、文脈に配慮したモチーフが文脈なしモチーフよりも優れた予測性能を示すことを検証すること。

提案手法

• 各モチーフがその出現と解釈に影響を与える文脈に関連付けられる、標準的なモチーフの拡張として文脈的モチーフを提案する。
• 観測された文脈が存在しない状況でも、生時系列データからモチーフと文脈を同時に学習できる、CMMM（文脈的モチーフ混合モデル）と呼ばれる統合推論モデルを開発する。
• モチーフを繰り返しパターンとして学習し、文脈をモチーフ混合確率に影響を与える潜在変数としてモデル化する確率的生成モデルを用いる。
• 変分推論を用いて潜在的文脈およびモチーフパラメータの事後分布を近似し、大規模な生理的データセットにおけるスケーラブルな学習を可能にする。
• 文脈の進行に「記憶なし」の仮定を採用しているが、状態依存モデルへの将来的な拡張も可能である。
• 二段階比較を用いて、統合推論が独立推論よりも臨床的に意味のあるモチーフをもたらすことを検証する。

実験結果

リサーチクエスチョン

• RQ1 モチーフ発見に文脈を組み込むことで、生理的イベントの予測におけるモチーフの判別力が向上するか？
• RQ2 観測されていない文脈とモチーフを同時に推論する手法と、二段階推論手法とを比較した場合、モチーフの質と予測性能にどのような差が生じるか？
• RQ3 文脈的モチーフは、食事摂取や血糖変動関連の、臨床的に意味のあるパターンを連続的血糖モニタリングデータから明らかにできるか？
• RQ4 モデルがデータから文脈を単独で推論できることにより、文脈なしモチーフと比較して、低血糖・高血糖イベントの予測性能が向上するか？

主な発見

• シミュレーションデータにおいて、文脈的モチーフは文脈なしモチーフと比較してAUCが11–12ポイント向上し、文脈が特に情報量が多い場合にその向上が顕著であった。
• 1型糖尿病患者の実際のCGMデータにおいて、文脈的モチーフは標準的なモチーフ表現と比較して、低血糖および高血糖イベントの両方のAUCが顕著に向上した。
• モデルは臨床的に意味のある状態、例えば血糖変動が著しく高まる期間に対応する文脈を成功裏に推論した。これは、ラベルなしデータからも食後や食前状態を捉えていることを示唆している。
• 異なる文脈で学習されたモチーフは、それぞれ異なる形態的パターンを示した：「ピーク」モチーフは高血糖イベントと関連し、「トロフ」モチーフは低血糖イベントと関連した。
• 1つの推論された文脈（コンテキスト0）における上位モチーフは、コンテキスト1のそれよりも広い血糖値の範囲を示しており、コンテキスト0が食後状態に一致する高い変動性を捉えていることを示している。
• モチーフと文脈の統合推論は、二段階アプローチを上回った。特に、モチーフの解釈に文脈が不可欠な場合に顕著であり、エンドツーエンド学習の価値を確認した。