[论文解读] 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 12

一句话总结

本文提出了上下文基序（contextual motifs）框架，通过在上下文未被观测时联合推断上下文与基序，增强了传统基序发现方法在生理时间序列数据中的表现。该方法应用于1型糖尿病患者的连续血糖监测（CGM）数据，相较于无上下文的基序，其在预测低血糖和高血糖事件方面的AUC提升了11–12个百分点，表明即使在未观测到上下文的情况下，具备上下文意识的基序也更具判别力。

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.

研究动机与目标

• 解决标准基序方法忽略上下文的局限性，因为这可能导致对生理模式的误读。
• 开发一种联合推断框架，当上下文未被观测或不可用时，可同时发现基序与上下文。
• 提升基序在预测1型糖尿病中临床相关事件（如低血糖和高血糖）方面的判别能力。
• 验证在真实生理数据中，具备上下文意识的基序相较于无上下文基序能实现更优的预测性能。

提出的方法

• 将上下文基序作为标准基序的扩展，其中每个基序均与一个调节其出现频率和解释方式的上下文相关联。
• 提出CMMM（上下文基序混合模型）联合推断模型，从原始时间序列数据中同时学习基序与上下文，而无需观测到的上下文。
• 采用概率生成模型，其中基序被学习为重复出现的模式，而上下文则被建模为影响基序混合概率的隐变量。
• 应用变分推断来近似隐含上下文与基序参数的后验分布，从而实现在大规模生理数据集上的可扩展学习。
• 对上下文演进采用无记忆假设，尽管该框架允许未来扩展至状态化模型。
• 采用两阶段对比方法，验证联合推断相比独立推断能产生更具临床意义的基序。

实验结果

研究问题

• RQ1 在基序发现中引入上下文是否能提升基序对生理事件预测的判别能力？
• RQ2 与两阶段推断相比，基序与未观测上下文的联合推断在基序质量和预测性能方面表现如何？
• RQ3 上下文基序能否在连续血糖监测数据中揭示具有临床意义的模式，例如与进餐相关的模式或血糖变异性？
• RQ4 仅从数据中推断上下文的能力是否能带来相较于无上下文基序更优的低血糖和高血糖事件预测性能？

主要发现

• 在模拟数据中，相较于无上下文基序，上下文基序使AUC提升了11–12个百分点，且当上下文信息高度显著时，提升效果最为明显。
• 在1型糖尿病患者的真实CGM数据中，上下文基序在预测低血糖和高血糖事件方面，其AUC显著优于标准基序表示。
• 该模型成功推断出与临床相关状态相符的上下文，例如血糖变异性升高的时期，表明其在无标签数据下捕捉了餐后或餐前状态。
• 在不同上下文中学习到的基序表现出不同的形态特征：'峰'型基序与高血糖事件相关，'谷'型基序与低血糖事件相关。
• 在一种推断出的上下文（上下文0）下，其顶级基序表现出比上下文1更宽泛的血糖值范围，表明上下文0捕捉到了与餐后状态一致的高变异性时期。
• 基序与上下文的联合推断优于两阶段方法，尤其在上下文对基序解释至关重要的情况下，证实了端到端学习的价值。