[논문 리뷰] Contextual Motifs: Increasing the Utility of Motifs using Contextual Data

Ian Fox, Lynn Ang외 3명|arXiv (Cornell University)|2017. 03. 06.

Time Series Analysis and Forecasting참고 문헌 38인용 수 12

한 줄 요약

이 논문은 문맥이 관찰되지 않을 경우에 동시에 문맥과 모티프를 추론함으로써 전통적인 모티프 탐지 기법을 개선하는 문맥 기반 모티프 프레임워크를 소개한다. 제1형 당뇨병 환자의 연속 혈액포도당 모니터링(CGM) 데이터에 적용한 결과, 문맥 없는 모티프 대비 예측 성능이 AUC 기준 11–12%p 향상되어, 관찰되지 않은 문맥이 있어도 문맥 인식 모티프가 더 구분력이 있음을 입증한다.

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.

연구 동기 및 목표

• 표준 모티프 방법이 문맥을 忽시하는 한계를 해결함으로써 생리학적 패턴을 오해할 수 있는 것을 방지하기 위해.
• 문맥이 관찰되지 않거나 가용하지 않을 경우에 동시에 모티프와 문맥을 추론할 수 있는 통합 추론 프레임워크를 개발하기 위해.
• 제1형 당뇨병에서 저혈당 및 고혈당과 같은 임상적으로 중요한 사건을 예측하기 위해 모티프의 구분 능력을 향상시키기 위해.
• 실생활 생리학적 데이터에서 문맥 인식 모티프가 문맥 없는 모티프보다 더 뛰어난 예측 성능을 보임을 검증하기 위해.

제안 방법

• 각 모티프가 발생 빈도와 해석을 조절하는 문맥과 연관된 문맥 기반 모티프를 표준 모티프의 확장으로 제안한다.
• 관찰된 문맥 없이도 원시 시계열 데이터로부터 모티프와 문맥을 동시에 학습할 수 있는 통합 추론 모델인 CMMM(Contextual Motif Mixture Model)를 개발한다.
• 모티프는 반복 패턴으로서 학습되고, 문맥은 모티프 혼합 비율에 영향을 주는 잠재 변수로 모델링되는 확률적 생성 모델을 사용한다.
• 대규모 생리학적 데이터셋에서도 스케일이 잘 되는 학습을 가능하게 하기 위해, 잠재적 문맥과 모티프 파라미터의 사후분포를 근사하기 위해 변분 추론을 적용한다.
• 문맥 진행에 대해 기억 없는 가정을 도입하였지만, 이 프레임워크는 상태 기반 모델로의 확장도 가능하다.
• 독립적 추론 대비 통합 추론이 더 임상적으로 의미 있는 모티프를 도출함을 검증하기 위해 이중 단계 비교를 실시한다.

실험 결과

연구 질문

• RQ1 모티프 탐지에 문맥을 통합하면 생리학적 사건 예측을 위한 모티프의 구분 능력이 향상되는가?
• RQ2 관찰되지 않은 문맥과 모티프를 동시에 추론하는 것과 두 단계 추론 방식을 비교했을 때, 모티프의 품질과 예측 성능는 어떻게 다를까?
• RQ3 문맥 기반 모티프는 식사 섭취나 혈당 변동성과 같은 임상적으로 의미 있는 패턴을 연속 혈액포도당 모니터링 데이터에서 드러낼 수 있는가?
• RQ4 모델이 데이터에서만 문맥을 추론할 수 있다면, 문맥 없는 모티프보다 저혈당 및 고혈당 이벤트 예측 성능이 향상되는가?

주요 결과

• 시뮬레이션 데이터에서, 문맥 기반 모티프가 문맥 없는 모티프 대비 AUC를 11–12%p 향상시켰으며, 특히 문맥 정보가 높은 경우에 이는 더욱 두드러졌다.
• 실제 제1형 당뇨병 환자 CGM 데이터에서, 문맥 기반 모티프가 표준 모티프 표현 방식보다 저혈당 및 고혈당 이벤트 예측에 유의미하게 높은 AUC를 달성했다.
• 모델은 라벨 없이도 임상적으로 의미 있는 상태, 예를 들어 혈당 변동성 증가 기간을 포함한 문맥을 성공적으로 추론하여, 식후 또는 식전 상태를 추론한 것으로 보였다.
• 다른 문맥에서 학습된 모티프들은 고유한 형태적 패턴을 보였다: '피크' 모티프는 고혈당 이벤트와 관련이 있었고, '트로프' 모티프는 저혈당 이벤트와 관련이 있었다.
• 한 개의 추론된 문맥(Context 0)에서 상위 모티프는 다른 문맥(Context 1)에서의 모티프보다 더 넓은 포도당 범위를 보였으며, 이는 Context 0이 식후 상태와 일치하는 높은 변동성 기간을 포착했다는 것을 시사한다.
• 모티프와 문맥을 동시에 추론하는 것이 두 단계 추론 방식보다 뛰어난 성능을 보였으며, 특히 모티프 해석에 문맥이 필수적인 경우에 더욱 두드러졌다. 이는 종단 간 학습의 가치를 확인한다.