시계열 분석에서 시계열 모티프와 시계열의 순서 패턴은 일반적인 시간적 패턴과 동적 특성을 드러낼 수 있습니다. 삼중 시계열 모티프를 기반으로 하는 삼중 모티프 필드(TMF)는 간단하면서도 효과적인 시계열 이미지 인코딩 방법입니다. 심전도(ECG) 신호는 다양한 심장 이상을 진단하는 데 널리 사용되는 시계열 데이터입니다. TMF 이미지는 정상 심전도 신호와 심방세동(AF) 심전도 신호를 특징짓는 요소들을 포함하고 있습니다. ECG 신호의 준주기적 특성을 고려할 때, 전이 학습(pre-trained)된 컨벌루션 신경망(CNN) 모델을 사용하여 TMF 이미지에서 동적 특성을 추출할 수 있습니다. 추출된 특성들을 바탕으로 다층 퍼셉트론(MLP), 로지스틱 회귀, 랜덤 포레스트와 같은 단순한 분류기를 적용하여 정확한 이상 탐지를 수행할 수 있습니다. 2017년 피시오넷 챌린지 데이터베이스의 테스트 데이터셋을 사용하여, VGG16 전이 학습 모델과 MLP 분류기를 결합한 TMF 분류 모델이 AF 분류에서 95.50%의 ROC-AUC와 88.43%의 F1 점수로 가장 우수한 성능을 보였습니다. 또한, TMF 분류 모델은 테스트 데이터셋에서 AF 환자를 높은 정밀도로 식별할 수 있습니다. t-분포 확률 근접 이웃 임베딩 기술을 사용하면, TMF 이미지에서 추출된 특성 벡터가 환자별로 명확하게 클러스터링됩니다. 무엇보다도, TMF 분류 모델은 매우 우수한 임상 해석성이 있습니다. 대칭화된 그래디언트 가중 클래스 활성화 매핑에 의해 드러난 패턴들은 박동 및 리듬 수준에서 명확한 임상 해석을 제공합니다.