EvoMorph：用于连续时间序列外生回归的反事实解释——应用于脉冲血氧图谱
机器学习
2026-01-16 v1
摘要
可穿戴设备使对生理信号（如脉冲血氧图谱，PPG）的连续、人口规模的监测成为可能，为数据驱动的临床评估提供了新机会。时间序列外生回归（TSER）模型越来越多地利用 PPG 信号来估计临床相关的结果，包括心率、呼吸率和氧饱和度。然而，对于临床推理和信任，单一的点估计本身不够：临床医生还必须了解预测在生理上合理的变化下是否稳定，以及真实可达的生理信号变化对模型预测有多大影响。反事实解释（CFE）解决了这些“如果”问题，但现有的时序反事实解释生成方法主要局限于分类，忽略了波形形态，常常产生生理上不合理的信号，限制了其在连续生物医学时序数据中的适用性。为克服这些限制，我们引入了 EvoMorph，这是一个用于生成 TSER 应用的生理上合理且多样的反事实解释的多目标进化框架。EvoMorph 优化定义在可解释信号描述符上的形态感知目标，并应用变换来保持波形结构。我们在三个 PPG 数据集上评估了 EvoMorph（心率、呼吸率和氧饱和度），并将其与最近的不相似邻居基线进行了比较。此外，在一个案例研究中，我们评估了 EvoMorph 作为不确定性定量工具的作用，将反事实灵敏度与 bootstrap-ensemble 不确定性和数据密度度量相关联。总体而言，EvoMorph 使为连续生物医学信号生成生理学意识的反事实解释成为可能，并支持不确定性感知的解释，推动了临床时序应用中可信赖模型分析的发展。
引用
@article{arxiv.2601.10356,
title = {EvoMorph: Counterfactual Explanations for Continuous Time-Series Extrinsic Regression Applied to Photoplethysmography},
author = {Mesut Ceylan and Alexis Tabin and Patrick Langer and Elgar Fleisch and Filipe Barata},
journal= {arXiv preprint arXiv:2601.10356},
year = {2026}
}