[論文レビュー] What does an LSTM look for in classifying heartbeats

Jos van der Westhuizen, Joan Lasenby|arXiv (Cornell University)|May 23, 2017

Time Series Analysis and Forecasting参考文献 9被引用数 2

ひとこと要約

本研究では、MIT-BIH心室不整脈データセットの単導 Einthog ECG データに対してLSTM分類器を解釈するため、入力削除マスクを用いたサリエンシー手法を提案する。最も効果的な可視化手法は、分類に不可欠な入力特徴を特定しており、顕著な領域が既存の医学的心電図形態とよく一致しており、臨床的関連性を通じてモデルの解釈可能性が裏付けられる。

ABSTRACT

This paper explores four different visualization techniques for long short-term memory (LSTM) networks applied to continuous-valued time series. On the datasets analysed, we find that the best visualization technique is to learn an input deletion mask that optimally reduces the true class score. With a specific focus on single-lead electrocardiograms from the MIT-BIH arrhythmia dataset, we show that salient input features for the LSTM classifier align well with medical theory.

研究の動機と目的

• 単導 Einthog ECG 信号からの心拍分類におけるLSTMモデルの解釈可能性を向上させること。
• 連続した時系列データに対するLSTM意思決定を説明する複数の可視化技術を評価・比較すること。
• ECGデータにおける臨床的に関連する特徴を最もよく特定する可視化手法を特定すること。
• モデルが特定する顕著な特徴が、既知の心電図形態パターンに対応していることを検証すること。

提案手法

• 本研究では、時系列ECGデータにおけるLSTM予測を解釈するための4つの可視化技術を採用する。
• 主な手法の一つは、真のクラススコアを最小化する入力削除マスクを学習することであり、これが重要な入力セグメントを特定する。
• 削除マスクは勾配ベースの誤差逆伝播を用いて最適化され、入力系列内の顕著な時間ステップを強調する。
• この手法は、単導 Einthog ECG レコーディングに焦点を当てたMIT-BIH心室不整脈データセットに適用される。
• 可視化手法間で結果を比較し、臨床的に意味のある特徴を最もよく捉えている手法を特定する。

実験結果

リサーチクエスチョン

• RQ1 どの可視化手法が、ECG分類のためのLSTMモデルにおける顕著な入力特徴を最も効果的に特定するか？
• RQ2 モデルが特定する顕著な特徴は、心電図形態に関する既存の医学的知識と一致するか？
• RQ3 入力削除マスク最適化は、他の解釈可能性手法と比較して、関連性と一貫性の面で優れているか？
• RQ4 モデルから導出されたサリエンシー地図は、ECGにおける既知の不整脈パターンに対応する特徴を強調できるか？

主な発見

• 入力削除マスク手法は、分類に必要な入力特徴を特定する観点で、他の可視化手法を上回った。
• 削除マスクを用いて生成されたサリエンシー地図は、臨床的に有意義な心電図波に対応するECG信号の領域を強調した。
• 特定された顕著な特徴は、QRS複合波やT波などの既知のECG形態とよく一致しており、臨床的解釈可能性が裏付けられた。
• 真のクラス予測に不可欠な特徴を強調するという点で、この手法は高い関連性を示し、頑健であった。