この研究では、説明可能な人工知能（XAI）の文脈において、心電図（ECG）の12誘導分類モデル向けのスパースな反実仮想説明を生成するためのプロトタイプ駆動フレームワークを提案しています。SHAPに基づく閾値を用いて重要な信号セグメントを特定し、それをインターバルルールに変換します。また、動的時間伸縮（DTW）とメドイドクラスタリングを使用して代表的なプロトタイプを抽出し、これらを説明対象のサンプルに合わせてRピークに整合させます。このアプローチは、元の信号の78％のみを変更しながら、すべてのクラスで81.3％の有効性を維持し、時間的安定性を43％改善します。心筋梗塞（MI）には98.9％の有効性を示す一方で、肥大（HYP）検出には課題が残ります。この手法は、臨床的に有効な反実仮想を1秒未満で生成でき、インタラクティブな説明プラットフォームの基盤を提供するものです。