Udvikling og validering af et system til foregribelse af udfordrende adfærd

Studiemål

Den nuværende protokol består af tre faser, hver med et specifikt mål. Det første mål er at vurdere forskellene i fysiologisk reaktion målt med en Smart Wearable Shirt (SWS) mellem voksne med højtfungerende autismespektrumforstyrrelse (ASD) og typisk udviklede jævnaldrende. Det andet mål er at lære, hvilke fysiologiske parametre der bedst kan forudsige den forestående begyndelse af en udfordrende adfærd (CB). Det tredje mål er at udvikle et system, der er i stand til at forudsige den indkommende forekomst af en CB i realtid og informere plejepersonalet gennem en alarmmeddelelse sendt på en smartphone-applikation.

Studere design

Et observationsstudiedesign vil blive implementeret i de første to faser af den nuværende forskning. I fase et vil deltagernes fysiologiske reaktioner på to visuelle stimuli blive indsamlet og analyseret. I fase to vil de fysiologiske karakteristika af CB'er præsenteret af personer med ASD blive indsamlet. Et enkelt casestudie med et mixed-method design vil blive implementeret i fase tre, hvor systemvalidity proof of concept vil blive udført.

Etik og sikkerhedsspørgsmål

Forskningsforslaget blev godkendt af Ariel University institutional review board (AU-HEA-ML-20201203). Undersøgelsen vil blive udført efter Helsinki-erklæringens principper. Ved rekrutteringen vil der blive indsamlet skriftligt informeret samtykke fra alle deltagere eller deres juridiske værger. Den SWS, der er planlagt til brug i den nuværende protokol, er et ikke-invasivt medicinsk udstyr. Men hvis en deltager ikke tolererer SWS, kan han til enhver tid trække sig fra undersøgelsen uden konsekvenser.

Deltagere

Ifølge en prøvestørrelsesberegningsanalyse udviklede en gruppe på 20 forsøgspersoner diagnosticeret med højtfungerende ASD i alderen mellem 20 og 40 år hjemmeboende (observationsgruppe - OG) sammen med en alders- og kønsmatchet kontrolgruppe (CG) på 20 typisk Peers vil blive tilmeldt den første protokolfase. Til undersøgelsens anden fase vil 10 personer med ASD, der præsenterer aggressive eller forstyrrende CB'er i alderen mellem 20 og 40 år og deres pårørende, blive rekrutteret. Endelig vil en deltager med ASD, i alderen mellem 20 og 40 år, der går i en specialskole og bor hjemme, som udviser aggressive eller forstyrrende CB'er, deltage i den tredje fase af forskningen.

Procedure

Fase et - sammenligning mellem mennesker med og uden ASD fysiologiske udfald.

For den første fase af den nuværende protokol vil de fysiologiske parametre for mennesker i OG og CG blive erhvervet ved hjælp af SWS, mens deltagerne ser to fem-minutters videoer. En video viser afslappende billeder og udsender afslappende musik (afslappende video). Den anden video vil præsentere imponerende menneskelige kropsdeformiteter akkompagneret af ængstelig musik (foruroligende video). Begge videoer vil blive præsenteret for deltageren i siddende stilling. Før du starter den afslappende video, vil deltageren blive inviteret til at slappe af og læne sig tilbage på stolens ryglæn. Deltageren kan lukke øjnene eller holde dem åbne efter eget skøn for at fremme afslapning. Deltagerne vil blive bedt om ikke at læne sig op ad stolens ryglæn og holde øjnene åbne under den forstyrrende videoafspilning. Den første video, som hver deltager ser, vil blive valgt tilfældigt mellem de to videoer. Varigheden af ​​hele sessionen vil være cirka 15 minutter.

Fase to - Klassificer de fysiologiske parametres variationer hos mennesker med ASD.

Hver deltager, der er tilmeldt fase to af protokollen, vil bære SWS i syv på hinanden følgende dage i de vågne timer og udføre sine sædvanlige daglige aktiviteter. I løbet af de samme syv dage vil de omsorgspersoner, der plejer deltageren, indberette deltagerens status i adfærdsdagbogen. Hver aften vil data indsamlet af SWS blive uploadet til en onlinesky sammen med dagens adfærdsdagbog. Når data fra alle de 10 deltagere er blevet indsamlet, vil en Deep Learning (DL) algoritme blive udviklet til at lære de variationer i individets fysiologiske parametre, der opstår før en CB, og forudsige fremtidig CB. Desuden vil en smartphone-applikation blive udviklet til at modtage SWS-dataene i realtid og sende dem til en fjernserver, hvor de analyseres gennem den udviklede algoritme, og de klassificerede CB-hændelser vil blive udtrukket og præsenteret på applikationernes notifikationsskærm. Med andre ord: Hvis algoritmen registrerer muligheden for en indkommende CB, sendes en meddelelse til plejepersonalets smartphone for at informere om den mulige fremkomst af en CB, hvilket muliggør implementeringen af ​​den valgte interventionsstrategi.

Fase tre - System proof of concept.

I en uge vil den udviklede systemprototype og dens effektivitet blive testet på én deltager med ASD i syv dage med sundhedspersonale og lærere i en specialskole. Deltageren vil bære SWS under alle timers fremmøde på specialskolen. I slutningen af ​​de syv dage vil QUEST 2.0 blive administreret til hver fagperson og lærer, som vil interagere med systemet, og en fokusgruppe vil blive udført med dem for at løse de ovennævnte forskningsspørgsmål. Fokusgruppen vil sigte mod at besvare følgende forskningsspørgsmål:

• Oprørte deltagerne at bære den smarte skjorte?
• Var systemet i stand til at detektere alle relevante CB?
• Var systemdriftshastigheden tilstrækkelig til at muliggøre rettidig anvendelse af passende forebyggelsesstrategier?
• Har brugen af ​​systemet reduceret mængden af ​​CB?
• Hvilke forbedringer kan anvendes på systemet for at øge dets effektivitet?

Information indhentet fra QUEST 2.0-administrationen vil blive diskuteret i fokusgruppen. I den sidste del af fokusgruppen vil der blive foreslået en opsummering af løsninger på hvert forskningsspørgsmål til gruppen, og antallet af deltagere, der er enige eller uenige i de foreslåede summeringssvar.

Data analyser

Fase et

Data indsamlet af SWS fra deltagere i OG og CG vil blive analyseret og sammenlignet. Ud fra EKG-modtagne data vil hjertefrekvensen (HR) blive beregnet mellem to på hinanden følgende QRS-komplekser. I betragtning af tidsintervallet mellem to QRS-komplekser som "t", vil den tilsvarende tidsmæssige HR være 60/t. En procentuel tærskelværdi vil blive indstillet ved hjælp af glidende vinduesmetode, og den mindst tilladte spidsbredde vil blive identificeret for at fjerne uønskede artefakter fra HR. Fjernelsesprocessen vil blive udført for positive og negative toppe i to omgange. Et vindue vil blive ført hen over HR-signalet, og dets medianværdi vil blive beregnet. Den maksimale (positive og negative) tilladte spidsamplitude vil blive bestemt for hvert vindue ved at gange vinduets medianværdi for en tærskelværdi. Tærskelværdien for positive toppe blev sat til 30 % (for den første fjernelsesrunde) og 25 % (for den anden fjernelsesrunde) af vinduets middelværdi. Tærskelværdien blev sat for negative toppe til 50 % (for den første fjernelsesrunde) og 30 % (for den anden fjernelsesrunde) af vinduets middelværdi. Derefter vil alle toppe med amplitude større end den tilladte værdi blive identificeret fra hvert vindue. Hvis en af ​​disse toppe er smallere end den mindst tilladte topbredde, vil den blive erstattet med referencevinduets medianværdi. Ellers, hvis en identificeret spidsbredde er større end den tilladte spidsbredde, vil dens værdi blive erstattet med den maksimalt tilladte HR (for positive peaks) eller den minimalt tilladte HR (for negative peaks). Den maksimalt tilladte HR vil blive beregnet med følgende formel: "209-(0,7×(Deltager alder))". Den minimale tilladte HR vil være 60 slag/min. Efter fjernelse af unormale toppe vil signalet blive filtreret med et gaussisk filter med en sigma lig med 1. Efter HR-signalfiltreringsprocessen vil det opnåede rensede HR-signal blive brugt til at klassificere deltagerstressen inden for følgende niveauer: "ingen stress", "mild stress", "moderat stress" og "høj stress". Hvert stressniveau vil referere til et HR-signal placeret inden for et specifikt værdiområde. "Ingen stress"-niveauet vil inkludere HR-værdierne under 90 % af det rensede HR-signals laveste top. Hvis denne HR-værdi er lavere end "Høj stress"-niveauet vil omfatte værdier over 90% af det rensede HR-signals højeste top. Hvis denne værdi er over den maksimalt tilladte HR, erstattes den med 90 % af den maksimalt tilladte HR-værdi. Det interval, der er tilbage mellem disse to tærskler, vil blive opdelt i to lige store dele (nedre og øvre halvdel). HR-dataene placeret i den nederste halvdel af dette interval vil blive klassificeret som "mild stress" og dem, der er placeret i den øvre halvdel som "moderat stress". Hver HR-værdi vil blive klassificeret og tildelt en numerisk værdi svarende til et stressniveau ("ingen stress" = 0, "mild stress" = 1, "moderat stress" = 2 og "høj stress" = 3). Efter at have erhvervet sekvenserne af stressniveauerne for alle deltagere i fase 1, vil sekvenserne for forsøgspersonerne i OG og CG blive sammenlignet ved hjælp af en version af Smith-Waterman-algoritmen tilpasset til analyse af de opnåede data.

Fase to

Dataene indsamlet af SWS fra deltagere, der er tilmeldt fase to, vil blive analyseret som beskrevet ovenfor, og en DL-algoritme vil blive udviklet for at forudsige de indkommende deltageres stressniveauer. For at finde CBs mønstre blandt forsøgspersoner, vil der blive konstrueret en klassificering baseret på overvåget læring for at finde anomalier i forsøgspersonens data, der kan indikere på CB, at der er ved at forekomme. En langtidshukommelsesalgoritme (LSTM) vil blive lært at genkende datamønstre svarende til CBs forekomst ved hjælp af data indsamlet af deltagernes omsorgspersoner gennem adfærdsdagbogen og informationen indsamlet i fase et. LSTM er en forlængelse af det tilbagevendende neurale netværk (RNN). I modsætning til andre applikationer af Machine Learning (ML) og DL, i processen med at analysere og forudsige tidsserieinformation, er hvert datapunkt baseret på tidligere information, som også skal undersøges. RNN er det mest brugte netværk til tidsserieapplikationer, da det kan danne målvektoren ved at observere den aktuelle inputdatahistorie, ved at bruge delte vægte blandt netværkets skjulte enheder på tværs af hvert tidstrin af dataene. Forfatterne vælger LSTM, ikke RNN, fordi RNN har et betydeligt forsvindende gradientproblem. Gradienten af ​​outputfejl er baseret på tidligere input forsvinder, når tidsforskydninger mellem input og fejl stiger. For at overvinde dette problem introduceres LSTM. LSTM har en hukommelse, som kommer til praksis ved at erstatte de ikke-lineære enheder af RNN i de skjulte lag med hukommelsesblokke. Netværket udbreder fejl i hele netværket, og som et resultat kan det lære langsigtede afhængigheder og glemme unødvendig information baseret på de tilgængelige data. Prædiktionsmodellens nøjagtighed vil blive beregnet i henhold til standard estimeringsmetoder såsom forvirringsmatricen og arealet under kurven (AUC) værdier. Disse værdier spænder fra 0,5 til 1, hvor 1 er perfekt klassificering og 0,5 er ikke bedre end held.

Fase tre

De temaer, der kommer frem fra fokusgruppen, vil blive uddraget fra diskussionstransskriptionen. Aksial kodningsstrategi vil blive anvendt til at beregne omfanget af hver temadiskussion. Denne kvalitative dataanalyse består i at tildele et referencenummer til hvert tema og derefter markere enhver sætning relateret til det pågældende tema med det nummer. En pålidelighedskontrol for kode-til-sætning-matches vil blive anvendt ved at give listen over koder til en uafhængig forsker med erfaring i kvalitativ analyse og bede ham om at identificere den sætning, der matcher hver kode. Graden af ​​enighed om summeringssvar på forskningsspørgsmålene opnås ved at beregne den procentdel af deltagere, der er enige i den foreslåede erklæring. Forfatterne vil diskutere de udviklede svar i lyset af de relevante fremkomne temaer og niveauet af enighed i diskussionsgruppen.