[论文解读] A Shapley Value Solution to Game Theoretic-based Feature Reduction in False Alarm Detection

Fatemeh Afghah, Abolfazl Razi+1 more|arXiv (Cornell University)|Dec 5, 2015

Healthcare Technology and Patient Monitoring参考文献 18被引用 12

一句话总结

该论文提出了一种基于博弈论的特征选择方法，采用多扰动Shapley值识别协同特征联盟，用于ICU监护中的误报检测。通过将特征建模为联盟博弈中的参与者，并利用Shapley值计算其在规模最多为4的联盟中的集体贡献，该方法通过捕捉传统过滤方法常忽略的特征间依赖关系，提升了分类准确率，实现了75%的误报抑制率，显著优于卡方检验、增益比、Relief和信息增益等方法。

ABSTRACT

False alarm is one of the main concerns in intensive care units and can result in care disruption, sleep deprivation, and insensitivity of care-givers to alarms. Several methods have been proposed to suppress the false alarm rate through improving the quality of physiological signals by filtering, and developing more accurate sensors. However, significant intrinsic correlation among the extracted features limits the performance of most currently available data mining techniques, as they often discard the predictors with low individual impact that may potentially have strong discriminatory power when grouped with others. We propose a model based on coalition game theory that considers the inter-features dependencies in determining the salient predictors in respect to false alarm, which results in improved classification accuracy. The superior performance of this method compared to current methods is shown in simulation results using PhysionNet's MIMIC II database.

研究动机与目标

• 解决传统特征选择方法的局限性，即在误报检测中舍弃了个体影响较低但集体判别能力高的特征。
• 利用联盟博弈理论建模ICU生理信号中的特征相互依赖关系，以提升分类准确率。
• 通过使用多扰动Shapley值对规模最多为4的特征联盟进行近似，开发一种计算上可行的精确Shapley值计算替代方法。
• 使用真实ICU监护数据评估该方法与最先进特征选择技术的性能表现。
• 证明通过合作博弈理论捕捉特征协同效应可实现更优的误报抑制效果。

提出的方法

• 通过六级小波分解从ECG、PLETH和ABP信号中提取特征，每位患者生成180个特征。
• 所提方法将特征建模为联盟博弈中的参与者，每个特征的重要性通过其Shapley值衡量，反映其在所有可能联盟中的边际贡献。
• 为降低计算复杂度，使用随机排列对规模L=4的特征组计算多扰动Shapley值，近似精确Shapley值。
• Shapley值估计器定义为特征在所有大小为L的子组排列中边际贡献的平均值，采用无偏估计器。
• 基于多扰动Shapley值对前30个特征进行排序，并使用贝叶斯网络分类器进行分类。
• 通过考虑规模最多为4的联盟，该方法捕捉了传统个体特征重要性度量所遗漏的高阶特征交互效应。

实验结果

研究问题

• RQ1 与传统特征选择方法相比，通过联盟建模特征交互的博弈论方法是否能提升误报检测的准确率？
• RQ2 协同特征组合（个体特征影响较低但集体判别力强）在ICU报警系统分类性能提升中起到了多大程度的贡献？
• RQ3 与卡方检验、增益比、Relief和信息增益等标准过滤方法相比，使用多扰动Shapley值对规模最多为4的特征联盟进行处理，在误报抑制方面表现如何？
• RQ4 ECG、PLETH和ABP信号的各小波分解层级对误报检测的相对贡献是什么？
• RQ5 与使用全部小波系数相比，所提方法通过选择更小但更具信息量的特征子集，是否降低了过拟合风险？

主要发现

• 所提方法在误报检测中实现了75%的成功率，即仅有25%的报警被误分类为误报，显著优于最佳对比方法（增益比）的约31%误报率。
• 该方法优于使用全部180个特征（即所有小波系数）的基线方法，表明基于联盟的Shapley值进行特征选择可降低过拟合风险。
• ECG和PLETH信号的一级小波分解对报警识别的贡献显著高于第2至第6级的总和，表明对低频分量高度敏感。
• 对于ABP信号，六个小波分解层级对检测过程的贡献几乎相等，表明特征贡献在各尺度上分布均匀。
• 多扰动Shapley值方法有效捕捉了协同特征交互，通过识别具有强集体判别能力的特征联盟，提升了分类准确率。
• 最优联盟规模L位于3至6之间，其中L=4在捕捉高阶依赖关系与计算可行性之间实现了最佳平衡。