[論文レビュー] Mining Heterogeneous Multivariate Time-Series for Learning Meaningful Patterns: Application to Home Health Telecare

Florence Duchêne, Catherine Garbay+1 more|arXiv (Cornell University)|Dec 1, 2004

Time Series Analysis and Forecasting参考文献 30被引用数 12

ひとこと要約

本稿では、家庭内健康遠隔ケアにおける意味のある行動パターンを抽出するための教師なし手法を提案する。LCSS類似度測定の拡張と射影ベースのクラスタリング手法を用いることで、ノイズ、伸縮、時間的シフトに対しても耐性を示し、実世界のセンサー・データにおいて多数のパターンインスタンスを高精度で検出する。

ABSTRACT

For the last years, time-series mining has become a challenging issue for researchers. An important application lies in most monitoring purposes, which require analyzing large sets of time-series for learning usual patterns. Any deviation from this learned profile is then considered as an unexpected situation. Moreover, complex applications may involve the temporal study of several heterogeneous parameters. In that paper, we propose a method for mining heterogeneous multivariate time-series for learning meaningful patterns. The proposed approach allows for mixed time-series -- containing both pattern and non-pattern data -- such as for imprecise matches, outliers, stretching and global translating of patterns instances in time. We present the early results of our approach in the context of monitoring the health status of a person at home. The purpose is to build a behavioral profile of a person by analyzing the time variations of several quantitative or qualitative parameters recorded through a provision of sensors installed in the home.

研究の動機と目的

• 家庭内健康モニタリングにおける異種多変量時系列から行動プロファイルを教師なしで学習する手法の開発。
• センサー・データ内の頻繁で再発する時間的パターンを特定することで、通常行動からの逸脱を検出する。
• ノイズ、外れ値、時間的伸縮、パターンでない部分列を含む時系列データにおける現実世界の課題に対処する。
• マルチセンサー・データから日常的な行動様式をモデル化することで、健康異常の早期検出を可能にする。
• 事前に定義された深刻なイベントの定義や大規模なラベル付きデータセットを必要とせず、臨床意思決定を支援する。

提案手法

• 混合型（定量的および定性的）時系列を離散的記号に変換する記号表現を用いることで、一様な処理を可能にする。
• 時間の歪みやノイズを考慮した、異種多変量時系列同士を比較するための拡張版Longest Common Subsequence（LCSS）類似度測定を適用する。
• 時系列を記号空間にマッピングし、再発するパターンを検出することで、頻度の高い部分列を特定する射影ベースのアルゴリズムを採用する。
• 分割型クラスタリング手法により、類似した部分列を重複のないモチーフにグループ化し、代表的な行動プロファイルを合成する。
• 可変長記号と時間的シフトを許容することで、パターンインスタンスの伸縮や途切れに対応できる。
• パラメータチューニングにより、パターンの粒度を制御可能である—フィルタ長、距離閾値、離散化レベルを調整することで、異なる抽象度のパターンを抽出可能。

実験結果

リサーチクエスチョン

• RQ1 ラベルなしデータの下で、異種多変量時系列から意味のある時間的パターンをどのように抽出できるか？
• RQ2 家庭内健康センサー・データにおいて、ノイズ、外れ値、時間的歪みが存在する状況でも、本手法は再発する行動モチーフをどの程度正確に検出できるか？
• RQ3 拡張版LCSS類似度測定は、混合型・多次元時系列のパターン発見において、どの程度の性能を示すか？
• RQ4 本手法は、家庭内遠隔ケア環境で収集された現実的で不完全な時系列データから、代表的な行動プロファイルを特定できるか？
• RQ5 異なる行動の抽象度に応じた時系列マイニングにおいて、最適なパターン検出を実現するパラメータ設定は何か？

主な発見

• ノイズが多く、パターンを含まない時系列データ内でも、パターンが時間的に伸縮または途切れていても、多数のパターンインスタンスを効果的に同定できた。
• 本手法はさまざまなノイズタイプに対して高い耐性を示し、各ノイズタイプが特定のパラメータタイプに主に影響を与えることが判明した。これは、文脈に応じたパラメータチューニングの重要性を示唆している。
• 頻繁に出現するパターンの2つのインスタンスがあれば、モチーフの同定が理論的に可能であり、大規模なトレーニングデータセットの必要性が低減された。
• 可変長記号の使用により、パターン出現時の時間的伸縮や変動を効果的に処理できた。
• 実験結果から、本手法は実際のセンサー・データから代表的なモチーフを抽出できることを示し、家庭内健康遠隔ケアにおける異常行動検出の可能性を裏付けた。
• パラメータ選定がパターン検出の品質に顕著な影響を与えることが判明し、特定の監視文脈に合わせたキャリブレーションの重要性が示された。