[논문 리뷰] m-TSNE: A Framework for Visualizing High-Dimensional Multivariate Time Series

Minh N. H. Nguyen, Sanjay Purushotham외 2명|arXiv (Cornell University)|2017. 08. 26.

Time Series Analysis and Forecasting참고 문헌 14인용 수 23

한 줄 요약

이 논문은 고차원 다변량 시계열(MTS) 데이터를 시각화하기 위한 새로운 프레임워크인 m-TSNE를 제안한다. 이는 유사도 계산에 확장된 프로베니우스 노름(EROS)을 활용하고, t-분포 확률적 이웃 임bedding(t-SNE)을 사용하여 국소적 구조를 유지하면서 데이터를 2차원 또는 3차원 공간으로 투영한다. 이 방법은 의료 데이터에서 복잡한 MTS 패턴을 해석 가능한 방식으로 표현할 수 있게 하며, 주로 환자의 피로 패턴과 뇌파 데이터에서의 군집 분리 성능 측면에서 PCA, 유클리드 기반 t-SNE, DTW 기반 t-SNE보다 뛰어나다.

ABSTRACT

Multivariate time series (MTS) have become increasingly common in healthcare domains where human vital signs and laboratory results are collected for predictive diagnosis. Recently, there have been increasing efforts to visualize healthcare MTS data based on star charts or parallel coordinates. However, such techniques might not be ideal for visualizing a large MTS dataset, since it is difficult to obtain insights or interpretations due to the inherent high dimensionality of MTS. In this paper, we propose 'm-TSNE': a simple and novel framework to visualize high-dimensional MTS data by projecting them into a low-dimensional (2-D or 3-D) space while capturing the underlying data properties. Our framework is easy to use and provides interpretable insights for healthcare professionals to understand MTS data. We evaluate our visualization framework on two real-world datasets and demonstrate that the results of our m-TSNE show patterns that are easy to understand while the other methods' visualization may have limitations in interpretability.

연구 동기 및 목표

• 고차원 다변량 시계열(MTS) 데이터의 시각화 과제를 해결하기 위해, 기존의 별도 차트나 평행 좌표계와 같은 전통적 방법들이 차원 수 증가로 인해 해석이 어려워지는 의료 분야의 문제를 다루기 위함이다.
• MTS 데이터에 내재된 시간적 및 다변량 상관관계를 유지하는 시각화 프레임워크를 개발하여 의료 전문가가 의미 있는 해석을 할 수 있도록 하기 위함이다.
• 기존의 차원 감소 기법인 PCA 및 t-SNE 변종과 비교하여 MTS 시각화의 해석 가능성 향상을 도모하기 위함이며, 특히 환자의 피로 패턴 탐지 및 군집 분리에 초점한다.
• 실제 의료 데이터셋을 대상으로 프레임워크를 평가하고, 활동 수준 변화 및 이방성 탐지와 같은 임상적으로 유의미한 패턴을 드러내는 데서의 우수성을 입증하기 위함이다.

제안 방법

• m-TSNE는 다변량 시계열 전용으로 설계된 확장된 프로베니우스 노름(EROS)을 사용하여 MTS 데이터 포인트 간의 쌍별 유사도를 계산한다.
• 프레임워크는 t-SNE를 적용하여 고차원 MTS 포인트를 국소적 유사도 구조를 유지하면서 2차원 또는 3차원 저차원 공간으로 임베딩한다.
• 고차원 및 저차원에서의 이웃 관계 확률 분포 간의 쿨백-라이블러 발산을 최소화하기 위해 경사 하강 최적화 과정을 사용한다.
• 이 방법은 두 개의 실세계 데이터셋인 ATOM-HP(화학요법 중 환자 활동 데이터)와 EEG(알코올 중독 유전적 소인이 있는 사람)를 대상으로 평가된다.
• 비전적 분석 및 비전문가 및 전문가 참가자 대상으로 통제된 사용자 연구를 통해 PCA, 유클리드 기반 t-SNE, DTW 기반 t-SNE와의 시각화 결과를 비교한다.

실험 결과

연구 질문

• RQ1 m-TSNE는 환자의 피로 및 치료 반응과 같은 임상적으로 해석 가능한 패턴을 드러내는 방식으로 고차원 다변량 시계열 데이터를 효과적으로 시각화할 수 있는가?
• RQ2 m-TSNE는 PCA 및 다른 t-SNE 변종(Euclidean 및 DTW 기반)과 비교해 MTS 데이터의 해석 가능성 및 군집 분리 능력 측면에서 어떻게 성능을 발휘하는가?
• RQ3 m-TSNE는 고차원 공간에서는 명백하지 않은 바탕이 되는 이방성 및 군집(예: 대조군 대비 알코올 중독 환자)을 MTS 데이터에서 식별할 수 있는가?
• RQ4 m-TSNE는 환자 성능 및 치료 효과를 이해하는 데 있어 의료 전문가가 시각적 통찰을 통해 얼마나 효과적으로 지원하는가?

주요 결과

• m-TSNE는 ATOM-HP 데이터셋에서 화학요법 세션 이후 저활동 상태가 지속되는 기간을 성공적으로 시각화하여 치료 유도 피로를 식별했다.
• EEG 데이터셋에서 m-TSNE는 대조군과 알코올 중독 환자 그룹을 명확히 분리한 군집을 형성했으며, 탐지된 모든 이방성은 알코올 중독 그룹에 속해 있었고, 이는 고차원 공간에서는 관찰되지 않았다.
• 사용자 연구 결과 m-TSNE는 평균 해석 가능성 점수 2.48을 기록했으며, 이는 PCA(1.92) 및 DTW 기반 t-SNE(1.6)보다 유의미하게 높아 우수한 해석 가능성 성능을 입증했다.
• 종양학 전문의들은 m-TSNE가 환자의 치료 주기 동안 피로 상태를 평가하는 데 유용한 군집 및 추세를 식별했다고 확인했다.
• m-TSNE는 유클리드 기반 t-SNE 및 DTW 기반 t-SNE보다 더 명확하고 겹치지 않는 군집을 형성하여, 다른 방법에서 관찰되는 소음이 많은 구름 모양의 분포를 피했다.
• 이 프레임워크는 MTS 데이터에서 의미 있는 시간적 및 다변량 관계를 잘 유지함으로써 임상 의사결정에 실질적인 통찰을 제공하는 데 있어 뛰어난 내재성과 안정성을 입증했다.