Vývoj a validace systému pro předvídání náročného chování

Studijní cíle

Současný protokol se skládá ze tří fází, z nichž každá má specifický cíl. Prvním cílem je posoudit rozdíly ve fyziologických reakcích měřených pomocí Smart Wearable Shirt (SWS) mezi dospělými s vysoce funkční poruchou autistického spektra (ASD) a typicky vyvinutými vrstevníky. Druhým cílem je zjistit, které fyziologické parametry mohou nejlépe předpovědět bezprostřední nástup náročného chování (CB). Třetím cílem je vyvinout systém schopný předvídat příchozí výskyt CB v reálném čase a informovat pečovatele prostřednictvím upozornění odeslaného na aplikaci pro chytré telefony.

Studovat design

V prvních dvou fázích současného výzkumu bude implementován návrh pozorovací studie. V první fázi budou shromážděny a analyzovány fyziologické reakce účastníků na dva vizuální podněty. Ve druhé fázi budou shromážděny fyziologické charakteristiky CB prezentované lidmi s ASD. Ve třetí fázi bude implementována jediná případová studie s designem smíšené metody, kde bude provedeno ověření koncepce platnosti systému.

Otázky etiky a bezpečnosti

Návrh výzkumu byl schválen institucionálním kontrolním výborem Ariel University (AU-HEA-ML-20201203). Studie bude provedena podle zásad Helsinské deklarace. Při náboru bude získán písemný informovaný souhlas všech účastníků nebo jejich zákonných zástupců. SWS, které se plánuje použít v současném protokolu, je neinvazivní zdravotnický prostředek. Pokud však účastník SWS netoleruje, může ze studie kdykoli bez následků odstoupit.

Účastníci

Podle analýzy výpočtu velikosti vzorku skupina 20 subjektů s diagnózou vysoce funkční ASD ve věku 20 až 40 let pobývajících doma (observační skupina - OG) spolu s kontrolní skupinou (CG) odpovídající věku a pohlaví 20 typických rozvinutých peeři budou zařazeni do první fáze protokolu. Pro druhou fázi studie bude přijato 10 lidí s ASD prezentujícími agresivní nebo rušivé CB ve věku 20 až 40 let a jejich pečovatelé. Nakonec se třetí fáze výzkumu zúčastní jeden účastník s PAS ve věku 20 až 40 let, který navštěvuje speciální školu a žije doma a který vykazuje agresivní nebo rušivé CB.

Postup

Fáze jedna – srovnání mezi lidmi s fyziologickými výsledky ASD a bez nich.

Pro první fázi současného protokolu budou fyziologické parametry lidí v OG a CG získány pomocí SWS, zatímco účastníci budou sledovat dvě pětiminutová videa. Jedno video bude zobrazovat relaxační obrázky a bude vydávat relaxační hudbu (relaxační video). Druhé video představí působivé deformace lidského těla za doprovodu úzkostné hudby (rušivé video). Obě videa budou účastníkovi prezentována vsedě. Před zahájením relaxačního videa bude účastník vyzván, aby se uvolnil a opřel se o opěradlo židle. Účastník může zavřít oči nebo je nechat otevřené podle svého uvážení, aby podpořil relaxaci. Účastníci budou požádáni, aby se po dobu sledování rušivého videa neopírali o opěradlo židle a měli oči otevřené. První video zhlédnuté každým účastníkem bude vybráno náhodně mezi těmito dvěma videi. Délka celého sezení bude přibližně 15 minut.

Fáze dvě – Klasifikujte variace fyziologických parametrů u lidí s PAS.

Každý účastník zapsaný do fáze dvě protokolu bude nosit SWS po dobu sedmi po sobě jdoucích dnů v době bdění, přičemž bude vykonávat své obvyklé denní činnosti. Během stejných sedmi dnů budou pečovatelé, kteří se o účastníka starají, hlásit stav účastníka v deníku chování. Každý večer budou data shromážděná SWS nahrána do online cloudu spolu s deníkem chování daného dne. Jakmile budou shromážděna data od všech 10 účastníků, bude vyvinut algoritmus hlubokého učení (DL), který umožní zjistit variace ve fyziologických parametrech jednotlivce, které se vyskytují před CB, a předpovědět budoucí CB. Kromě toho bude vyvinuta aplikace pro chytré telefony, která bude přijímat data SWS v reálném čase a odesílat je na vzdálený server, kde budou analyzována pomocí vyvinutého algoritmu a klasifikované CB události budou extrahovány a prezentovány na obrazovce upozornění aplikací. Jinými slovy: pokud algoritmus detekuje možnost příchozího CB, je zasláno upozornění na chytrý telefon pečovatele, které informuje o možném příchodu CB, a umožňuje tak implementaci zvolené intervenční strategie.

Fáze tři - Systémový důkaz koncepce.

Po dobu jednoho týdne bude vyvinutý prototyp systému a jeho účinnost testován na jednom účastníkovi s PAS po dobu sedmi dnů se zdravotníky a učiteli ve speciálním školním prostředí. Účastník bude nosit SWS po celou dobu docházky do speciální školy. Na konci sedmi dnů bude QUEST 2.0 podán každému profesionálovi a učiteli, kteří budou se systémem pracovat, a bude s nimi provedena fokusní skupina, která bude řešit výše uvedené výzkumné otázky. Cílová skupina bude mít za cíl odpovědět na následující výzkumné otázky:

• Rozrušilo nošení chytré košile účastníky?
• Byl systém schopen detekovat všechny relevantní CB?
• Byla rychlost provozu systému dostatečná, aby umožnila včasnou aplikaci vhodných preventivních strategií?
• Snížilo používání systému množství CB?
• Jaká vylepšení lze v systému použít ke zvýšení jeho účinnosti?

Informace získané z administrace QUEST 2.0 budou diskutovány v rámci focus group. V poslední části fokusní skupiny bude skupině navrženo shrnutí řešení každé výzkumné otázky a bude shromážděn počet účastníků, kteří souhlasí nebo nesouhlasí s navrženými souhrnnými odpověďmi.

Analýzy dat

Fáze jedna

Data shromážděná SWS od účastníků OG a CG budou analyzována a porovnána. Z přijatých dat EKG bude vypočítána srdeční frekvence (HR) mezi dvěma po sobě jdoucími komplexy QRS. Pokud vezmeme v úvahu časový interval mezi dvěma QRS komplexy jako "t", bude odpovídající časová HR 60/t. Procentuální prahová hodnota bude nastavena pomocí metody posuvného okna a bude identifikována minimální povolená šířka píku pro odstranění nežádoucích artefaktů z HR. Proces odstranění bude proveden pro pozitivní a negativní píky ve dvou kolech. Přes signál HR se posune okno a vypočítá se jeho střední hodnota. Maximální (kladná a záporná) povolená špičková amplituda bude určena pro každé okno vynásobením střední hodnoty okna pro prahovou hodnotu. Prahová hodnota pro pozitivní píky byla nastavena na 30 % (pro první kolo odstranění) a 25 % (pro druhé kolo odstranění) střední hodnoty okénka. Prahová hodnota byla nastavena pro negativní píky na 50 % (pro první kolo odstranění) a 30 % (pro druhé kolo odstranění) střední hodnoty okénka. Poté budou v každém okně identifikovány všechny píky s amplitudou větší než povolená hodnota. Pokud je jeden z těchto píků užší než minimální povolená šířka píku, bude nahrazen střední hodnotou referenčního okna. V opačném případě, pokud je identifikovaná šířka píku větší než povolená šířka píku, bude její hodnota nahrazena maximální povolenou HR (pro kladné píky) nebo minimální povolenou HR (pro záporné píky). Maximální povolená tepová frekvence bude vypočítána podle následujícího vzorce: „209-(0,7×(účastník stáří))". Minimální povolená HR bude 60 bpm. Po odstranění abnormálních špiček bude signál filtrován Gaussovým filtrem se sigma rovnou 1. Po procesu filtrace HR signálu bude získaný vyčištěný HR signál použit ke klasifikaci stresu účastníka do následujících úrovní: "žádný stres", "mírný stres", "střední stres" a "vysoký stres". Každá úroveň stresu bude odkazovat na HR signál umístěný v určitém rozsahu hodnot. Úroveň "bez stresu" bude zahrnovat hodnoty HR pod 90 % nejnižšího vrcholu vyčištěného signálu HR. Pokud je tato hodnota HR nižší než Úroveň "vysokého stresu" bude zahrnovat hodnoty nad 90 % nejvyššího vrcholu vyčištěného signálu HR. Pokud je tato hodnota nad maximální povolenou HR, je nahrazena 90% maximální povolené HR hodnoty. Rozsah zbývající mezi těmito dvěma prahy bude rozdělen na dvě stejné části (dolní a horní polovinu). Údaje o tepové frekvenci umístěné v dolní polovině tohoto rozsahu budou klasifikovány jako „mírný stres“ a údaje umístěné v horní polovině jako „střední stres“. Každá hodnota HR bude klasifikována a bude jí přiřazena číselná hodnota odpovídající úrovni stresu ("žádný stres" = 0, "mírný stres" = 1, "střední stres" = 2 a "vysoký stres" = 3). Po získání sekvencí úrovní stresu všech účastníků první fáze budou sekvence subjektů v OG a CG porovnány pomocí verze Smith-Watermanova algoritmu upraveného pro analýzu získaných dat.

Fáze dvě

Data shromážděná SWS od účastníků zařazených do fáze 2 budou analyzována, jak je popsáno výše, a bude vyvinut DL algoritmus za účelem predikce úrovně stresu příchozích účastníků. K nalezení vzorců CB mezi subjekty bude vytvořen klasifikátor založený na učení pod dohledem, aby se našly anomálie v datech subjektu, které by mohly naznačovat na CB, že se brzy vyskytnou. Algoritmus dlouhodobé paměti (LSTM) se naučí rozpoznávat datové vzorce odpovídající výskytu CB pomocí dat shromážděných pečovateli účastníků prostřednictvím deníku chování a informací shromážděných v první fázi. LSTM je rozšířením rekurentní neuronové sítě (RNN). Na rozdíl od jiných aplikací strojového učení (ML) a DL je v procesu analýzy a predikce informací časových řad každý datový bod založen na předchozích informacích, které je třeba také prozkoumat. RNN je nejpoužívanější síť pro aplikace časových řad, protože může tvořit cílový vektor sledováním aktuální historie vstupních dat pomocí sdílených hmotností mezi skrytými jednotkami sítě v každém časovém kroku dat. Autoři zvolili LSTM, nikoli RNN, protože RNN má významný problém mizejícího gradientu. Gradient výstupní chyby, založený na předchozích vstupech, mizí, když se časové prodlevy mezi vstupy a chyby zvětšují. K překonání tohoto problému je zaveden LSTM. LSTM má paměť, která přichází do praxe nahrazením nelineárních jednotek RNN ​​ve skrytých vrstvách paměťovými bloky. Síť šíří chyby v celé síti a v důsledku toho se může naučit dlouhodobé závislosti a zapomenout na nepotřebné informace na základě dostupných dat. Přesnost predikčního modelu bude vypočítána podle standardních metod odhadu, jako je záměnná matice a hodnoty plochy pod křivkou (AUC). Tyto hodnoty se pohybují od 0,5 do 1, přičemž 1 je perfektní klasifikace a 0,5 není lepší než štěstí.

Fáze tři

Témata, která vzejdou z fokusní skupiny, budou extrahována z diskuzního přepisu. Strategie axiálního kódování bude použita pro výpočet rozsahu diskuse každého tématu. Tato kvalitativní analýza dat spočívá v přiřazení referenčního čísla každému tématu a následném označení jakékoli věty související s tímto tématem tímto číslem. Bude provedena kontrola spolehlivosti shody mezi kódy a větami tak, že se seznam kódů předá nezávislému výzkumníkovi se zkušenostmi s kvalitativní analýzou a požádá ho, aby identifikoval větu, která každému kódu odpovídá. Úroveň souhlasu se souhrnnými odpověďmi na výzkumné otázky bude získána výpočtem procenta účastníků, kteří souhlasí s navrhovaným tvrzením. Autoři budou o rozvinutých odpovědích diskutovat ve světle příslušných vynořených témat a úrovně shody diskusní skupiny.