[논문 리뷰] Mining Heterogeneous Multivariate Time-Series for Learning Meaningful Patterns: Application to Home Health Telecare

Florence Duchêne, Catherine Garbay외 1명|arXiv (Cornell University)|2004. 12. 01.

Time Series Analysis and Forecasting참고 문헌 30인용 수 12

한 줄 요약

이 논문은 홈 헬스 원격의료 환경에서 이질적인 다변량 시계열 데이터를 무 supervision 방식으로 채굴하여 의미 있는 행동 패턴을 추출하는 방법을 제안한다. LCSS 유사도 측정법을 확장하고 투영 기반 클러스터링 기법을 사용함으로써, 노이즈, 스트레칭, 시간적 이동 등에 영향을 받더라도 반복적인 모티프를 식별할 수 있으며, 실제 센서 데이터에서 높은 강건성으로 여러 패턴 인스턴스를 성공적으로 탐지한다.

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.

연구 동기 및 목표

• 홈 헬스 모니터링 환경에서 이질적인 다변량 시계열 데이터로부터 행동 프로파일을 학습하는 비지도 방법을 개발하기 위해.
• 센서 데이터에서 빈번하고 반복적인 시간 패턴을 식별하여 정상 행동에서의 이탈을 탐지하기 위해.
• 실제 환경에서의 도전 과제인 노이즈, 이방값, 시간적 스트레칭, 비패턴 서브시계열 등을 처리하기 위해.
• 다중 센서 데이터로부터 일상적인 생활 행동을 모델링하여 건강 이상 징후의 조기 탐지 가능성을 높이기 위해.
• 사전 정의된 치명적 사건 정의나 대규모 레이블링된 데이터셋이 필요 없이 임상 의사결정 지원을 가능하게 하기 위해.

제안 방법

• 혼합형(정량적 및 정성적) 시계열을 이산 기호로 변환하는 기호 표현 방식을 사용하여 통일된 처리를 가능하게 한다.
• 시간 왜곡과 노이즈를 고려하여 이질적인 다변량 시계열을 비교하기 위해 확장된 장기 공통 부분수열(LCSS) 유사도 측정법을 적용한다.
• 시계열을 기호 공간에 매핑하고 반복 패턴을 탐지함으로써 빈번한 서브시계열을 식별하는 투영 기반 알고리즘을 활용한다.
• 분할 기반 클러스터링 접근법을 통해 유사한 서브시계열을 겹치지 않는 모티프로 군집화하고, 대표적인 행동 프로파일을 합성한다.
• 변동 길이의 기호와 시간적 이동을 허용하여 패턴 인스턴스의 스트레칭과 중단을 지원한다.
• 파라미터 조정을 통해 패턴의 해상도 제어가 가능하며, 필터 길이, 거리 임계값, 이산화 수준을 조절하여 다양한 추상화 수준의 패턴을 추출할 수 있다.

실험 결과

연구 질문

• RQ1 라벨이 없는 환경에서 이질적인 다변량 시계열 데이터로부터 의미 있는 시간 패턴을 어떻게 추출할 수 있는가?
• RQ2 홈 헬스 센서 데이터에서 노이즈, 이방값, 시간 왜곡 등에 영향을 받더라도 제안된 방법이 반복적인 행동 모티프를 얼마나 잘 탐지할 수 있는가?
• RQ3 확장된 LCSS 유사도 측정법은 혼합형, 다차원 시계열 간의 패턴 탐지에 있어 얼마나 효과적인가?
• RQ4 이 방법은 홈 원격의료 환경에서 수집된 실제, 비이상적인 시계열 데이터로부터 대표적인 행동 프로파일을 식별할 수 있는가?
• RQ5 다양한 수준의 행동 추상화에 최적의 패턴 탐지 성능을 얻기 위한 파라미터 설정은 무엇인가?

주요 결과

• 노이즈가 심하고 비패턴 서브시계열이 포함된 시계열 내에서도, 패턴이 시간적으로 스트레칭되거나 중단되더라도 대량의 패턴 인스턴스를 성공적으로 식별하였다.
• 다양한 노이즈 유형에 대해 강건성을 입증하였으며, 각 노이즈 유형이 특정 파라미터 유형에 주로 영향을 미치는 것으로 나타나, 맥락 기반의 파라미터 조정이 필요함을 시사하였다.
• 빈번한 패턴의 두 개의 인스턴스만으로도 모티프 식별이 가능하여, 대규모 학습 데이터셋이 필요로 하는 것을 줄일 수 있었다.
• 변동 길이의 기호 사용이 패턴 발생 시의 시간적 스트레칭과 변동성을 효과적으로 처리하는 데 기여하였다.
• 실험 결과, 실제 센서 데이터로부터 대표적인 모티프를 추출할 수 있었으며, 이는 홈 헬스 원격의료에서 비정상 행동 탐지 잠재력의 타당성을 검증하였다.
• 파라미터 선택이 패턴 탐지 품질에 상당한 영향을 미치는 것으로 나타나, 특정 모니터링 맥락에 맞는 校정의 중요성을 시사하였다.