Entwicklung und Validierung eines Systems zur Antizipation herausfordernder Verhaltensweisen

Studienziele

Das aktuelle Protokoll besteht aus drei Phasen mit jeweils einem bestimmten Ziel. Das erste Ziel ist es, die mit einem Smart Wearable Shirt (SWS) gemessenen Unterschiede in der physiologischen Reaktion zwischen Erwachsenen mit hochfunktionaler Autismus-Spektrum-Störung (ASS) und normal entwickelten Gleichaltrigen zu bewerten. Das zweite Ziel besteht darin, herauszufinden, welche physiologischen Parameter den bevorstehenden Beginn eines herausfordernden Verhaltens (CB) am besten vorhersagen können. Das dritte Ziel ist die Entwicklung eines Systems, das in der Lage ist, das Auftreten eines CB in Echtzeit vorherzusagen und die Pflegekraft durch eine Alarmbenachrichtigung zu informieren, die an eine Smartphone-Anwendung gesendet wird.

Studiendesign

In den ersten beiden Phasen der aktuellen Forschung wird ein beobachtendes Studiendesign implementiert. In Phase eins werden die physiologischen Reaktionen der Teilnehmer auf zwei visuelle Reize erhoben und analysiert. In Phase zwei werden die physiologischen Eigenschaften von CBs gesammelt, die von Menschen mit ASD präsentiert werden. In Phase drei wird eine Einzelfallstudie mit Mixed-Methods-Design durchgeführt, in der der Systemvaliditäts-Proof-of-Concept durchgeführt wird.

Ethik und Sicherheitsfragen

Der Forschungsvorschlag wurde vom institutionellen Prüfungsausschuss der Ariel University genehmigt (AU-HEA-ML-20201203). Die Studie wird gemäß den Grundsätzen der Deklaration von Helsinki durchgeführt. Bei der Rekrutierung wird von allen Teilnehmern oder ihren Erziehungsberechtigten eine schriftliche Einverständniserklärung eingeholt. Das SWS, das im aktuellen Protokoll verwendet werden soll, ist ein nicht-invasives medizinisches Gerät. Verträgt ein Teilnehmer SWS jedoch nicht, kann er die Studie jederzeit ohne Konsequenzen abbrechen.

Teilnehmer

Gemäß einer Analyse zur Berechnung der Stichprobengröße entwickelte sich eine Gruppe von 20 Probanden mit diagnostizierter hochfunktionaler ASD im Alter zwischen 20 und 40 Jahren, die zu Hause lebten (Beobachtungsgruppe – OG), zusammen mit einer alters- und geschlechtsangepassten Kontrollgruppe (CG) von 20 typischen Personen Peers werden in die erste Protokollphase eingeschrieben. Für die zweite Phase der Studie werden 10 Personen mit ASD mit aggressiven oder störenden CBs im Alter zwischen 20 und 40 Jahren und ihre Betreuer rekrutiert. Schließlich wird ein Teilnehmer mit ASD im Alter zwischen 20 und 40 Jahren, der eine Sonderschule besucht und zu Hause lebt, der aggressive oder störende CBs aufweist, an der dritten Phase der Forschung teilnehmen.

Verfahren

Phase eins – Vergleich zwischen Menschen mit und ohne ASS-physiologischen Folgen.

Für die erste Phase des aktuellen Protokolls werden die physiologischen Parameter der Personen in OG und CG mit der SWS erfasst, während die Teilnehmer zwei fünfminütige Videos ansehen. Ein Video zeigt entspannende Bilder und erklingt entspannende Musik (entspannendes Video). Das zweite Video zeigt beeindruckende menschliche Körpermissbildungen, begleitet von ängstlicher Musik (verstörendes Video). Beide Videos werden dem Teilnehmer in sitzender Position präsentiert. Vor Beginn des Entspannungsvideos wird der Teilnehmer aufgefordert, sich zu entspannen und sich auf die Rückenlehne des Stuhls zurückzulehnen. Der Teilnehmer kann nach eigenem Ermessen die Augen schließen oder offen halten, um die Entspannung zu fördern. Die Teilnehmer werden gebeten, sich nicht gegen die Rückenlehne des Stuhls zu lehnen und die Augen offen zu halten, während das verstörende Video angesehen wird. Das erste von jedem Teilnehmer angesehene Video wird zufällig zwischen den beiden Videos ausgewählt. Die Dauer der gesamten Sitzung beträgt etwa 15 Minuten.

Phase zwei – Klassifizieren Sie die Variationen der physiologischen Parameter bei Menschen mit ASS.

Jeder Teilnehmer, der in Phase zwei des Protokolls eingeschrieben ist, trägt die SWS an sieben aufeinanderfolgenden Tagen während der Wachstunden und führt seine üblichen täglichen Aktivitäten aus. Während der gleichen sieben Tage berichten die Betreuer, die den Teilnehmer betreuen, den Status des Teilnehmers im Verhaltenstagebuch. Jeden Abend werden die von der SWS gesammelten Daten zusammen mit dem Verhaltenstagebuch des Tages in eine Online-Cloud hochgeladen. Sobald die Daten aller 10 Teilnehmer gesammelt wurden, wird ein Deep Learning (DL)-Algorithmus entwickelt, um die Variationen der physiologischen Parameter des Individuums zu lernen, die vor einem CB auftreten, und zukünftige CB vorherzusagen. Darüber hinaus wird eine Smartphone-Anwendung entwickelt, um die SWS-Daten in Echtzeit zu empfangen und an einen Remote-Server zu senden, wo sie durch den entwickelten Algorithmus analysiert werden und die klassifizierten CB-Ereignisse extrahiert und auf dem Benachrichtigungsbildschirm der Anwendung angezeigt werden. Mit anderen Worten: Wenn der Algorithmus die Möglichkeit eines eingehenden CB erkennt, wird eine Benachrichtigung an das Smartphone der Pflegekraft gesendet, um über das mögliche Auftreten eines CB zu informieren, wodurch die Umsetzung der ausgewählten Interventionsstrategie ermöglicht wird.

Phase drei – System-Proof-of-Concept.

Eine Woche lang wird der entwickelte Systemprototyp und seine Wirksamkeit an einem Teilnehmer mit ASD sieben Tage lang mit medizinischem Fachpersonal und Lehrern in einem speziellen Schulsetting getestet. Der Teilnehmer trägt die SWS während der gesamten Präsenzzeit an der Sonderschule. Am Ende der sieben Tage wird QUEST 2.0 allen Fachleuten und Lehrern, die mit dem System interagieren, verabreicht, und mit ihnen wird eine Fokusgruppe durchgeführt, um die oben genannten Forschungsfragen zu beantworten. Die Fokusgruppe soll folgende Forschungsfragen beantworten:

• Hat das Tragen des Smart-Shirts die Teilnehmer verärgert?
• Konnte das System alle relevanten CB erkennen?
• War die Betriebsgeschwindigkeit des Systems ausreichend, um die rechtzeitige Anwendung geeigneter Präventionsstrategien zu ermöglichen?
• Hat die Verwendung des Systems die CB-Menge reduziert?
• Welche Verbesserungen können am System vorgenommen werden, um seine Effektivität zu erhöhen?

Von der QUEST 2.0-Administration erhaltene Informationen werden in der Fokusgruppe diskutiert. Im letzten Teil der Fokusgruppe wird der Gruppe eine Zusammenfassung von Lösungen zu jeder Forschungsfrage vorgeschlagen, und die Anzahl der Teilnehmer, die den vorgeschlagenen Zusammenfassungsantworten zustimmen oder nicht zustimmen, wird erhoben.

Datenanalysen

Phase Eins

Daten, die von der SWS von Teilnehmern an OG und CG erhoben werden, werden analysiert und verglichen. Aus den empfangenen EKG-Daten wird die Herzfrequenz (HR) zwischen zwei aufeinanderfolgenden QRS-Komplexen berechnet. Betrachtet man das Zeitintervall zwischen zwei QRS-Komplexen als „t“, beträgt die entsprechende zeitliche HF 60/t. Ein prozentualer Schwellenwert wird unter Verwendung der Sliding-Window-Methode eingestellt, und die minimal zulässige Peakbreite wird identifiziert, um unerwünschte Artefakte aus der HR zu entfernen. Der Entfernungsprozess wird für positive und negative Spitzen in zwei Runden durchgeführt. Ein Fenster wird über das HF-Signal geschoben und sein Medianwert wird berechnet. Die maximal (positiv und negativ) zulässige Spitzenamplitude wird für jedes Fenster bestimmt, indem der Mittelwert des Fensters mit einem Schwellenwert multipliziert wird. Der Schwellenwert für positive Spitzen wurde auf 30 % (für die erste Entfernungsrunde) und 25 % (für die zweite Entfernungsrunde) des Mittelwerts des Fensters festgelegt. Der Schwellenwert für negative Spitzen wurde auf 50 % (für die erste Entfernungsrunde) und 30 % (für die zweite Entfernungsrunde) des Fenstermittelwerts festgelegt. Dann werden alle Spitzen mit einer Amplitude größer als der zulässige Wert aus jedem Fenster identifiziert. Wenn einer dieser Peaks schmaler als die minimal zulässige Peakbreite ist, wird er durch den Medianwert des Referenzfensters ersetzt. Andernfalls, wenn eine identifizierte Peakbreite größer als die zulässige Peakbreite ist, wird ihr Wert durch die maximal zulässige HR (für positive Peaks) oder die minimal zulässige HR (für negative Peaks) ersetzt. Die maximal erlaubte Herzfrequenz wird mit der folgenden Formel berechnet: "209-(0,7×(Teilnehmer das Alter))". Die minimal erlaubte HF beträgt 60 bpm. Nach dem Entfernen anormaler Spitzen wird das Signal mit einem Gaußschen Filter mit einem Sigma gleich 1 gefiltert. Nach dem HR-Signalfilterungsprozess wird das erhaltene gereinigte HR-Signal verwendet, um die Teilnehmerbelastung in die folgenden Stufen einzustufen: „keine Belastung“, „leichte Belastung“, „mäßige Belastung“ und „hohe Belastung“. Jedes Stressniveau bezieht sich auf ein HR-Signal, das innerhalb eines bestimmten Wertebereichs positioniert ist. Das „kein Stress“-Niveau umfasst die HF-Werte unter 90 % der niedrigsten Spitze des gereinigten HF-Signals. Wenn dieser HF-Wert niedriger ist als Der „hohe Stress“-Pegel umfasst Werte über 90 % des höchsten Peaks des bereinigten HF-Signals. Wenn dieser Wert über der maximal zulässigen HF liegt, wird er durch 90 % des maximal zulässigen HF-Werts ersetzt. Der Bereich zwischen diesen beiden Schwellen wird in zwei gleiche Teile geteilt (untere und obere Hälfte). Die in der unteren Hälfte dieses Bereichs positionierten HR-Daten werden als "leichte Belastung" und die in der oberen Hälfte als "mäßige Belastung" eingestuft. Jeder HF-Wert wird klassifiziert und mit einem Zahlenwert versehen, der einem Stresslevel entspricht („kein Stress“ = 0, „leichter Stress“ = 1, „mäßiger Stress“ = 2 und „hoher Stress“ = 3). Nach dem Erfassen der Sequenzen der Stressniveaus aller Teilnehmer der ersten Phase werden die Sequenzen der Probanden in OG und CG unter Verwendung einer für die Analyse der erhaltenen Daten angepassten Version des Smith-Waterman-Algorithmus verglichen.

Phase zwei

Die vom SWS gesammelten Daten von Teilnehmern, die in Phase zwei eingeschrieben sind, werden wie oben beschrieben analysiert, und ein DL-Algorithmus wird entwickelt, um das Stressniveau der ankommenden Teilnehmer vorherzusagen. Um CBs-Muster unter den Probanden zu finden, wird ein Klassifikator auf der Grundlage von überwachtem Lernen konstruiert, um Anomalien in den Daten des Probanden zu finden, die auf ein bevorstehendes CB hinweisen könnten. Ein Algorithmus für das Langzeitgedächtnis (LSTM) wird gelehrt, Datenmuster zu erkennen, die dem Auftreten von CBs entsprechen, wobei die Daten verwendet werden, die von den Betreuern der Teilnehmer über das Verhaltenstagebuch und die in Phase eins gesammelten Informationen gesammelt wurden. LSTM ist eine Erweiterung des rekurrenten neuronalen Netzes (RNN). Im Gegensatz zu anderen Anwendungen des maschinellen Lernens (ML) und DL basiert bei der Analyse und Vorhersage von Zeitreiheninformationen jeder Datenpunkt auf früheren Informationen, die ebenfalls untersucht werden müssen. RNN ist das am häufigsten verwendete Netzwerk für Zeitreihenanwendungen, da es den Zielvektor bilden kann, indem es die aktuelle Eingangsdatenhistorie beobachtet, indem es gemeinsame Gewichte zwischen den Versteckeinheiten des Netzwerks über jeden Zeitschritt der Daten verwendet. Die Autoren wählen LSTM, nicht RNN, weil RNN ein erhebliches Problem mit verschwindenden Gradienten hat. Der Gradient des Ausgabefehlers, der auf vorherigen Eingaben basiert, verschwindet, wenn Zeitverzögerungen zwischen Eingaben und Fehlern zunehmen. Um dieses Problem zu überwinden, wird das LSTM eingeführt. LSTM hat ein Gedächtnis, das in die Praxis umgesetzt wird, indem die nichtlinearen Einheiten von RNN in den verborgenen Schichten durch Speicherblöcke ersetzt werden. Das Netzwerk propagiert Fehler im gesamten Netzwerk und kann dadurch langfristige Abhängigkeiten lernen und unnötige Informationen auf der Grundlage der vorliegenden Daten vergessen. Die Genauigkeit des Vorhersagemodells wird nach Standardschätzmethoden wie der Konfusionsmatrix und den Werten der Fläche unter der Kurve (AUC) berechnet. Diese Werte reichen von 0,5 bis 1, wobei 1 eine perfekte Klassifizierung und 0,5 nichts Besseres als Glück ist.

Phase drei

Die Themen, die sich aus der Fokusgruppe ergeben, werden aus der Transkription der Diskussion extrahiert. Die axiale Codierungsstrategie wird angewendet, um den Umfang jeder Themendiskussion zu berechnen. Diese qualitative Datenanalyse besteht darin, jedem Thema eine Referenznummer zuzuweisen und dann jeden Satz, der sich auf dieses Thema bezieht, mit dieser Nummer zu markieren. Eine Zuverlässigkeitsprüfung für die Code-zu-Satz-Übereinstimmungen wird durchgeführt, indem die Liste der Codes einem unabhängigen Forscher mit Erfahrung in der qualitativen Analyse übergeben wird und er gebeten wird, den Satz zu identifizieren, der zu jedem Code passt. Der Grad der Zustimmung zu den summarischen Antworten auf die Forschungsfragen wird ermittelt, indem der Prozentsatz der Teilnehmer berechnet wird, die der vorgeschlagenen Aussage zustimmen. Die Autoren werden die entwickelten Antworten im Lichte der relevanten Themen und dem Grad der Zustimmung der Diskussionsgruppe diskutieren.