Adaptive Group-Based Counterfactual Explanations for Time-Series Rehabilitation Data

Technische Zusammenfassung: Adaptive gruppenbasierte kontrafaktische Erklärungen für Zeitreihen-Rehabilitationsdaten

Problemstellung
In der klinischen Rehabilitation, insbesondere bei der Analyse von Bewegungen mittels Multi-Sensor-Inertialsensoren (IMUs), fehlt es Machine-Learning-Modellen oft an Interpretierbarkeit für Domänenexperten. Kliniker argumentieren in Begriffen semantischer Merkmalsgruppen (z. B. Muskelgruppen, Gelenksegmente und Synergien) statt auf der Ebene einzelner Sensorkanäle. Standardmethoden für kontrafaktische Erklärungen (Counterfactual Explanations, CE) für Zeitreihendaten operieren typischerweise auf Kanalebene. Dieser Ansatz führt zu vier kritischen Problemen in hochdimensionalen IMU-Settings (z. B. 48 Kanäle von 8 Sensoren):

1. Kombinatorische Explosion: Der Suchraum skaliert mit Kanälen mal Zeitschritten, was oft zu dichten, verstreuten Perturbationen führt.
2. Biomechanische Inkohärenz: Änderungen auf Kanalebene können physikalische Randbedingungen verletzen und unplausible Sequenzen erzeugen (z. B. isolierte Achsenänderungen, die die Kinematik eines Gelenks ignorieren).
3. Temporale Fragmentierung: Dispergierte Edits erzeugen „temporales Konfetti“ anstatt kohärenter Interventionsfenster.
4. Mangel an Hierarchie: Erklärungen versäumen es, systemweite Konzepte (Muskelgruppen) auf spezifische Sensoren abzubilden.

Bestehende Methoden kodieren selten Sensor-Gruppierungen oder segmentbasierte Abstraktionen, was den klinischen Nutzen einschränkt.

Methodik
Die Autoren schlagen Adaptive-MO vor, ein zweistufiges Framework zur Generierung von gruppenbasierten Kontrafakten in hochdimensionalen Zeitreihendaten. Die Methode integriert domänengestützte Gruppierung mit adaptiver Multi-Ziel-Optimierung.

1. Domänengestützte Gruppierung:
   Das Framework definiert Sensorgruppen basierend auf anatomischen Lokalisationen und Signalmodalitäten. Speziell wird eine modalitätsbasierte Gruppierungsstrategie angewandt, bei der Beschleunigungs- und Gyroskopsignale als separate Gruppen für jeden Muskel behandelt werden (was 16 Gruppen aus 4k 48 Kanälen ergibt). Dies unterscheidet lineare Beschleunigung von Rotationskinematik und bewahrt gleichzeitig anatomische Beziehungen.

2. Shapley-Adaptive (SA) Gruppen-Ranking:
   Um die Suchkomplexität zu reduzieren, schätzt die Methode zuerst kanaleigene Shapley-Werte (via GradientSHAP) und aggregiert diese zu Gruppen-Relevanzwerten unter Verwendung des maximalen Absolutwerts. Die Top-$k$ einflussreichsten Gruppen werden ausgewählt, um den Optimierungs-Suchraum einzuschränken. Experimente zeigten jedoch, dass ein statisches SA-Ranking zwar die Validität bewahrt, aber keine ausreichende Gruppen-Sparsity erzwingt.

3. Learnable Gate (LG) Mechanismus:
   Um die Einschränkung durch mangelnde Sparsity zu adressieren, führen die Autoren Learnable Gates ein. Dies sind trainierbare Parameter für die Relevanz pro Gruppe ($\gamma_g$), die gemeinsam mit den Perturbations-Masken optimiert werden.

• Parametrisierung: Kontrafakten werden generiert, indem der Input mit einem nächsten „ungleichen Nachbarn“ (Guide) unter Verwendung einer durch die Gates modulierten kontinuierlichen Maske gemischt wird.
• Regularisierung: Die Gates werden mit einer kombinierten $\ell_1$-Strafe (um ungenutzte Gates auf Null zu treiben) und einer Binarisierungsstrafe (um Gates gegen 0 oder 1 zu drücken) regularisiert. Dies ermöglicht es dem Modell, irrelevante Gruppen während der Optimierung dynamisch zu beschneiden, was zu einer spärlichen, binären Teilmenge von Gruppen führt.

4. Multi-Objective Optimization (Multi-Ziel-Optimierung):
   Das Framework optimiert eine Gesamtfunktion aus vier Termen:

• Validität: Sicherstellung, dass der modifizierte Input die Zielklasse vorhersagt.
• Sparsity (Dünnbesetztheit): Minimierung des Betrags der Maske (Kanalebene) und der Anzahl der aktiven Gruppen.
• Temporale Glätte: Erzwingung von Glätte durch eine höherwertige Total-Variation-Norm.
• Gate-Regularisierung: Förderung der Auswahl eines minimalen Satzes von Gruppen.
  Ein adaptives Gewichtungsschema verschiebt den Fokus von der Validität zur Sparsity, sobald eine konfidente Zielvorhersage erreicht wurde.

Wesentliche Beiträge

1. Adaptive-MO Framework: Ein neuartiges Framework, das Shapley-basierte Gruppen-Rangfolge mit dynamischer Sensorgruppen-Selektion für strukturierte CEs in hochdimensionalen Zeitreihen kombiniert.
2. Learnable Gate (LG) Mechanismus: Eine Methode, die mittels trainierbarer Gates automatisch einen spärlichen, interpretierbaren und klinisch bedeutsamen Satz von Sensorgruppen auswählt, der gemeinsam mit Perturbations-Masken optimiert wird.
3. Empirische Validierung: Systematische Evaluierung auf dem KneE-PAD Datensatz (31 Patienten, 8 IMUs, 3 Übungen: Squat, Knieextension, Gang), die zeigt, dass gruppenstrukturierte Kontrafakten präzise, auf Muskelniveau basierende Korrekturanweisungen liefern.

Ergebnisse
Experimente verglichen die vorgeschlagenen LG-Varianten mit der kanalbasierten M-CELS-Baseline (eine State-of-the-Art-Methode für multivariate Zeitreihen).

• Validität und Erfolgsrate: Die leistungsstärkste Variante, LG-SHAP pruned, erreichte eine Erfolgsrate für Kontrafakten von 94,7 % (gegenüber 90,0 % bei M-CELS) mit hoher Zielkonfidenz (80,8 %).
• Sparsity: Die LG-Methoden reduzierten die Komplexität der Erklärungen signifikant. LG-SHAP pruned modifizierte durchschnittlich 8,2 Modalitätsgruppen (eine Reduktion um 27 % im Vergleich zu den 11,2 von M-CELS) und 18,0 Kanäle (eine Reduktion um 22 %). Die LG-fixed prune Variante erreichte eine noch höhere Sparsity (5,2 Gruppen) bei einem moderaten Trade-off in der Validität.
• Plausibilität und Glätte: Gruppenstrukturierte Perturbationen bewahrten eine temporale Glätte, die mit M-CELS vergleichbar ist, was darauf hindeutet, dass keine künstlichen Diskontinuitäten eingeführt wurden.
• Übungsspezifische Muster: LG produzierte übungsspezifische, selektive Aktivierungsmuster, die mit der Biomechanik übereinstimmen (z. B. gezielte Quadriceps-/Hamstring-Ko-Kontraktion für die Knieextension), während M-CELS eine diffuse, breite Aktivierung über Gruppen hinweg zeigte.
• Effizienz: Die Generierungszeiten für LG-Varianten (8,0–9,7 s) waren vergleichbar mit oder schneller als die von M-CELS (10,0 s).

Bedeutung und Ansprüche
Das Paper behauptet, dass das vorgeschlagene Framework die Interpretierbarkeit verbessert, ohne die Qualität der Kontrafakten zu opfern. Durch die Abstimmung der Erklärungsstruktur auf das klinische Denken (Muskelgruppen und Gelenksegmente) erzeugt die Methode handlungsorientierte Erklärungen für die Rehabilitations-Bewegungsanalyse.

• Klinische Ausrichtung: Die gruppenstrukturierte Kontrafakten liefern präzise Korrekturanweisungen auf Muskelniveau (z. B. „reduziere die rechte Hamstring-Aktivität“), die dem hierarchischen Denken von Physiotherapeuten entsprechen.
• Strukturelle Verbesserung: Die Arbeit zeigt, dass eine dynamische Optimierung auf Merkmalsgruppenebene interpretierbarere und zuverlässigere Erklärungen liefert als Methoden auf Kanalebene in der IMU-basierten Rehabilitation.
• Designentscheidung: Das Paper hebt hervor, dass die Gruppierung von Sensoren eine theoretisch fundierte und praktisch wichtige Designentscheidung für Zeitreihen-Kontrafakten ist.

Limitierungen und zukünftige Arbeit
Die Autoren merken an, dass die Experimente auf den KneE-PAD-Datensatz mit einer spezifischen Anzahl an Patientenaufzeichnungen beschränkt waren. Die Gruppierung der Sensoren wurde manuell für untere Extremitäten-IMUs erstellt. Zukünftige Arbeiten sollen die automatische Entdeckung von Gruppen, die multimodale Fusion (z. B. mit sEMG) und den Echtzeit-Einsatz in der Telerehabilitation sowie Nutzerstudien mit Klinikern zur Bewertung von Vertrauen und Handlungsfähigkeit umfassen.