A novel method of explainable artificial intelligence for gait pattern classification models in gait disorder diagnostic support
Cargando...
Autores
Tipo de contenido
Editor
Document language:
Inglés
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Esta tesis presenta ProtoKDM, un marco de aprendizaje profundo explicable para la clasificación de series de tiempo biomédicas multivariadas. El marco fue diseñado para que la interpretabilidad surja como una propiedad intrínseca de la arquitectura del modelo y no como una aproximación post-hoc. ProtoKDM integra tres componentes: un autoencoder convolucional bifurcado que aprende representaciones latentes estructuradas a partir de señales crudas, una regularización contrastiva supervisada que organiza geométricamente el espacio latente por clase, y una matriz de densidad de kernels (KDM) que selecciona prototipos—instancias reales de entrenamiento provenientes de regiones latentes de alta densidad—para una clasificación probabilística basada en similitud. La investigación siguió una trayectoria en tres etapas. Primero, un estudio basado en características sobre clasificación del equilibrio humano mediante descriptores estabilométricos estableció una línea base de interpretabilidad fundamentada en variables físicas. Segundo, ProtoKDM fue desarrollado y evaluado sobre el conjunto de datos GaitRec (75.732 ensayos bilaterales de fuerza de reacción del suelo de 2.295 sujetos) en cinco tareas binarias de clasificación de marcha, alcanzando precisión de 0,83 a 0,91 y AUROC de 0,90 a 0,98 con el encoder, y precisión de 0,75 a 0,89 y AUROC de 0,88 a 0,97 con el clasificador KDM. Tercero, el marco fue validado sobre el conjunto de datos de electrocardiografía PTB-XL (21.837 registros), alcanzando precisión de 0,93 y AUROC de 0,965 sin modificación arquitectónica. ProtoKDM genera explicaciones en múltiples niveles—visualización del espacio latente, pesos de contribución de prototipos y alineamiento temporal de señales—satisfaciendo criterios explícitos de trazabilidad, fidelidad, coherencia y fundamentación. La consistencia entre dominios de estos mecanismos evidencia que el marco captura propiedades generales de las señales biomédicas estructuradas y no artefactos específicos del dominio. La tesis demuestra que el rendimiento predictivo y la interpretabilidad intrínseca pueden coexistir dentro de una sola arquitectura, proporcionando un fundamento metodológico para una inteligencia artificial transparente y reproducible en el análisis de señales biomédicas. (Texto tomado de la fuente)
Abstract
This thesis presents ProtoKDM, an explainable deep learning framework for the classification of multivariate biomedical time-series. The framework was designed so that interpretability emerges as an intrinsic property of the model architecture rather than as a post-hoc approximation. ProtoKDM integrates three components: a bifurcated convolutional autoencoder that learns structured latent representations from raw signals, a supervised contrastive regularization that geometrically organizes the latent space by class, and a kernel density matrix (KDM) that selects prototypes—real training instances from high-density latent regions—for probabilistic, similarity-based classification.
The research followed a three-stage trajectory. First, a feature-based study on human balance classification using stabilometric descriptors established an interpretability baseline grounded in physical variables. Second, ProtoKDM was developed and evaluated on the GaitRec dataset (75,732 bilateral ground reaction force trials from 2,295 subjects) across five binary gait classification tasks, achieving accuracy from 0.83 to 0.91 and AUROC from 0.90 to 0.98 with the encoder, and accuracy from 0.75 to 0.89 and AUROC from 0.88 to 0.97 with the KDM classifier. Third, the framework was validated on the PTB-XL electrocardiography dataset (21,837 records), achieving accuracy of 0.93 and AUROC of 0.965 without architectural modification.
ProtoKDM generates explanations at multiple levels—latent-space visualization, prototype contribution weights, and temporal signal alignment—satisfying explicit criteria of traceability, faithfulness, coherence, and grounding. The cross-domain consistency of these mechanisms provides evidence that the framework captures general properties of structured biomedical signals rather than domain-specific artifacts. The thesis demonstrates that predictive performance and intrinsic interpretability can coexist within a single architecture, providing a methodological foundation for transparent and reproducible AI in biomedical signal analysis.
Palabras clave propuestas
Explainable artificial intelligence; Prototype learning; Kernel density matrix; Biomedical signals; Supervised contrastive learning; Clinical decision support; Convolutional autoencoders; Gait analysis; Electrocardiography; Interpretability; Inteligencia artificial explicable; Aprendizaje basado en prototipos; Autoencoders convolucionales; Aprendizaje contrastivo supervisado; Matriz de densidad de kernels; Señales biomédicas; Análisis de marcha; Electrocardiografía; Interpretabilidad; Soporte a la decisión clínica
Descripción
ilustraciones, diagramas, tablas