Haastavan käyttäytymisen ennakointijärjestelmän kehittäminen ja validointi

Opiskelun tavoitteet

Nykyinen protokolla koostuu kolmesta vaiheesta, joista jokaisella on tietty tavoite. Ensimmäisenä tavoitteena on arvioida Smart Wearable Shirt (SWS) -paidalla mitatun fysiologisen reaktion eroja aikuisten, joilla on autismispektrihäiriö (ASD) ja tyypillisesti kehittyneiden ikätovereiden välillä. Toinen tavoite on oppia, mitkä fysiologiset parametrit voivat parhaiten ennustaa haasteellisen käyttäytymisen (CB) välittömän alkamisen. Kolmas tavoite on kehittää järjestelmä, joka pystyy ennakoimaan CB:n saapuvan esiintymisen reaaliajassa ja ilmoittamaan siitä omaishoitajalle älypuhelinsovelluksella lähetetyllä hälytysilmoituksella.

Opintojen suunnittelu

Havaintotutkimussuunnitelma toteutetaan nykyisen tutkimuksen kahdessa ensimmäisessä vaiheessa. Ensimmäisessä vaiheessa kerätään ja analysoidaan osallistujien fysiologiset reaktiot kahteen visuaaliseen ärsykkeeseen. Toisessa vaiheessa kerätään ASD-potilaiden esittämiä CB:n fysiologisia ominaisuuksia. Kolmannessa vaiheessa toteutetaan yksittäinen tapaustutkimus sekamenetelmän suunnittelulla, jossa suoritetaan konseptin järjestelmän validiteettitodistus.

Etiikka ja turvallisuuskysymykset

Tutkimusehdotuksen hyväksyi Ariel Universityn instituutioiden arviointilautakunta (AU-HEA-ML-20201203). Selvitys toteutetaan Helsingin julistuksen periaatteiden mukaisesti. Rekrytoinnin yhteydessä kaikilta osallistujilta tai heidän laillisilta huoltajilta kerätään kirjallinen tietoinen suostumus. Nykyisessä protokollassa käytettävä SWS on ei-invasiivinen lääketieteellinen laite. Jos osallistuja ei kuitenkaan siedä SWS:ää, hän voi vetäytyä tutkimuksesta milloin tahansa ilman seurauksia.

Osallistujat

Otoskoon laskennan analyysin mukaan kehittyi 20 koehenkilön ryhmä, joilla oli diagnosoitu erittäin toimiva ASD, iältään 20–40 vuotta ja jotka asuvat kotona (havainnointiryhmä - OG) sekä 20 tyypillisen iän ja sukupuolen mukaan sovitettu kontrolliryhmä (CG). vertaiset rekisteröidään ensimmäiseen protokollavaiheeseen. Tutkimuksen toiseen vaiheeseen rekrytoidaan 10 aggressiivista tai häiritsevää CB-sairautta sairastavaa 20–40-vuotiasta ASD-potilasta ja heidän omaishoitajiaan. Lopuksi yksi ASD-potilas, iältään 20–40-vuotias, joka käy erityiskoulua ja asuu kotona ja jolla on aggressiivisia tai häiritseviä CB-oireita, osallistuu tutkimuksen kolmanteen vaiheeseen.

Menettely

Vaihe yksi - vertailu ihmisten välillä, joilla on ja joilla ei ole ASD-fysiologisia tuloksia.

Nykyisen protokollan ensimmäisessä vaiheessa OG:n ja CG:n ihmisten fysiologiset parametrit hankitaan SWS:n avulla samalla, kun osallistujat katsovat kahta viiden minuutin videota. Yksi video näyttää rentouttavia kuvia ja lähettää rentouttavaa musiikkia (rentouttava video). Toinen video esittelee vaikuttavia ihmiskehon epämuodostumia ahdistuneen musiikin säestyksellä (häiritsevä video). Molemmat videot esitetään osallistujalle istuma-asennossa. Ennen rentouttavan videon aloittamista osallistuja pyydetään rentoutumaan ja nojautumaan tuolin selkänojaan. Osallistuja voi harkintansa mukaan sulkea silmänsä tai pitää ne auki rentoutumisen edistämiseksi. Osallistujia pyydetään olemaan nojaamatta tuolin selkänojaa vasten ja pitämään silmänsä auki häiritsevän videon katselun ajan. Jokaisen osallistujan ensimmäinen katsoma video valitaan satunnaisesti kahden videon välillä. Koko istunnon kesto on noin 15 minuuttia.

Vaihe kaksi - Luokittele fysiologisten parametrien vaihtelut ihmisillä, joilla on ASD.

Jokainen protokollan toiseen vaiheeseen ilmoittautunut osallistuja käyttää SWS:ää seitsemänä peräkkäisenä päivänä valveillaoloaikana suorittaen tavanomaisia ​​päivittäisiä toimintojaan. Saman seitsemän päivän aikana osallistujaa hoitavat omaishoitajat raportoivat osallistujan tilan käyttäytymispäiväkirjaan. Joka ilta SWS:n keräämät tiedot ladataan verkkopilveen yhdessä päivän käyttäytymispäiväkirjan kanssa. Kun kaikkien 10 osallistujan tiedot on kerätty, kehitetään Deep Learning (DL) -algoritmi, joka oppii yksilön fysiologisten parametrien vaihtelut, jotka tapahtuvat ennen CB:tä ja ennustavat tulevaa CB:tä. Lisäksi kehitetään älypuhelinsovellus, joka vastaanottaa SWS-tiedot reaaliajassa ja lähettää sen etäpalvelimelle, jossa se analysoidaan kehitetyn algoritmin avulla ja luokitellut CB-tapahtumat poimitaan ja esitetään sovellusten ilmoitusnäytöllä. Toisin sanoen: jos algoritmi havaitsee saapuvan CB:n mahdollisuuden, hoitajan älypuhelimeen lähetetään ilmoitus mahdollisesta CB:n saapumisesta, mikä mahdollistaa valitun interventiostrategian toteuttamisen.

Kolmas vaihe - Järjestelmän konseptitodistus.

Kehitetty järjestelmäprototyyppiä ja sen tehokkuutta testataan viikon ajan yhdellä ASD-potilaalla seitsemän päivän ajan terveydenhuollon ammattilaisten ja opettajien kanssa erityiskoulussa. Osallistuja käyttää SWS:ää kaikkina erityiskoulun aikoina. Seitsemän päivän päätteeksi QUEST 2.0 annetaan jokaiselle järjestelmän kanssa vuorovaikutuksessa olevalle ammattilaiselle ja opettajalle, ja heidän kanssaan toteutetaan kohderyhmä, jossa käsitellään edellä mainittuja tutkimuskysymyksiä. Fokusryhmä pyrkii vastaamaan seuraaviin tutkimuskysymyksiin:

• Järkyttikö älypaidan käyttö osallistujia?
• Pystyiko järjestelmä havaitsemaan kaikki asiaankuuluvat CB:t?
• Oliko järjestelmän toimintanopeus riittävä soveltuvien ehkäisystrategioiden oikea-aikaiseen soveltamiseen?
• Onko järjestelmän käyttö vähentänyt CB:n määrää?
• Mitä parannuksia järjestelmään voidaan soveltaa sen tehokkuuden lisäämiseksi?

QUEST 2.0 -hallinnolta saaduista tiedoista keskustellaan kohderyhmässä. Fokusryhmän viimeisessä osassa ryhmälle ehdotetaan yhteenveto ratkaisuista kuhunkin tutkimuskysymykseen ja kerätään yhteen tai eri mieltä ehdotetun summausvastauksen kanssa.

Tietojen analyysit

Vaihe yksi

SWS:n OG:n ja CG:n osallistujilta keräämät tiedot analysoidaan ja verrataan. EKG-tiedoista lasketaan syke (HR) kahden peräkkäisen QRS-kompleksin välillä. Kun otetaan huomioon kahden QRS-kompleksin välinen aikaväli "t", vastaava ajallinen HR on 60/t. Prosentuaalinen kynnysarvo asetetaan liukuvalla ikkunalla, ja pienin sallittu huipun leveys tunnistetaan ei-toivottujen artefaktien poistamiseksi HR:stä. Poistoprosessi suoritetaan positiivisille ja negatiivisille huipeille kahdella kierroksella. Ikkuna liu'utetaan sykesignaalin päälle ja sen mediaaniarvo lasketaan. Suurin (positiivinen ja negatiivinen) sallittu huippuamplitudi määritetään jokaiselle ikkunalle kertomalla ikkunan mediaaniarvo kynnysarvolla. Positiivisten huippujen kynnysarvoksi asetettiin 30 % (ensimmäiselle poistokierrokselle) ja 25 % (toiselle poistokierrokselle) ikkunan keskiarvosta. Kynnysarvo asetettiin negatiivisille huipeille 50 % (ensimmäiselle poistokierrokselle) ja 30 % (toiselle poistokierrokselle) ikkunan keskiarvosta. Sitten jokaisesta ikkunasta tunnistetaan kaikki huiput, joiden amplitudi on suurempi kuin sallittu arvo. Jos jokin näistä huipuista on kapeampi kuin pienin sallittu huipun leveys, se korvataan viiteikkunan mediaaniarvolla. Muussa tapauksessa, jos tunnistettu huipun leveys on suurempi kuin sallittu huipun leveys, sen arvo korvataan suurimmalla sallitulla HR:llä (positiivisilla huipuilla) tai pienimmällä sallitulla HR:llä (negatiivisille huipeille). Suurin sallittu syke lasketaan seuraavalla kaavalla: "209-(0.7×(Osallistuja) ikä))". Pienin sallittu syke on 60 bpm. Kun epänormaalit piikit on poistettu, signaali suodatetaan Gauss-suodattimella, jonka sigma on 1. HR-signaalin suodatusprosessin jälkeen saatua puhdistettua HR-signaalia käytetään osallistujan stressin luokitteluun seuraaville tasoille: "ei stressiä", "lievä stressi", "kohtalainen stressi" ja "korkea stressi". Jokainen stressitaso viittaa HR-signaaliin, joka on sijoitettu tietylle arvoalueelle. "Ei stressiä" -taso sisältää HR-arvot, jotka ovat alle 90 % puhdistetun HR-signaalin alimmasta huipusta. Jos tämä HR-arvo on pienempi kuin "Suuri stressi" -taso sisältää arvot, jotka ovat yli 90 % puhdistetun HR-signaalin korkeimmasta huipusta. Jos tämä arvo on suurimman sallitun HR:n yläpuolella, se korvataan 90 %:lla suurimmasta sallitusta sykearvosta. Näiden kahden kynnyksen väliin jäävä alue jaetaan kahteen yhtä suureen osaan (alempi ja ylempi puolisko). Tämän alueen alempaan puoliskoon sijoitetut syketiedot luokitellaan "lieväksi stressiksi" ja ylempään puoliskoon sijoitetut "kohtalaiseksi stressiksi". Jokainen HR-arvo luokitellaan ja osoitetaan numeerisella arvolla, joka vastaa stressitasoa ("ei stressiä" = 0, "lievä stressi" = 1, "kohtalainen stressi" = 2 ja "suuri stressi" = 3). Kun kaikkien ensimmäisen vaiheen osallistujien stressitasojen sekvenssit on hankittu, OG:n ja CG:n koehenkilöiden sekvenssejä verrataan käyttämällä Smith-Waterman-algoritmin versiota, joka on sovitettu saatujen tietojen analysointiin.

Vaihe kaksi

SWS:n keräämät tiedot vaiheeseen 2 ilmoittautuneilta osallistujilta analysoidaan edellä kuvatulla tavalla ja kehitetään DL-algoritmi tulevien osallistujien stressitasojen ennustamiseksi. CBs-kuvioiden löytämiseksi koehenkilöiden kesken rakennetaan ohjattuun oppimiseen perustuva luokitin, jonka avulla voidaan löytää poikkeavuuksia koehenkilön tiedoista, jotka voivat viitata CB:hen, joka on alkamassa. Pitkän lyhytaikaisen muistin (LSTM) algoritmi opetetaan tunnistamaan CB:n esiintymistä vastaavat datamallit käyttämällä osallistujien omaishoitajien käyttäytymispäiväkirjan kautta keräämiä tietoja ja ensimmäisessä vaiheessa kerättyjä tietoja. LSTM on toistuvan hermoverkon (RNN) laajennus. Toisin kuin muissa koneoppimisen (ML) ja DL:n sovelluksissa, aikasarjainformaation analysointi- ja ennustamisprosessissa jokainen datapiste perustuu aikaisempaan tietoon, jota on myös tarkasteltava. RNN on eniten käytetty verkko aikasarjasovelluksille, koska se voi muodostaa kohdevektorin tarkkailemalla senhetkistä syötetietohistoriaa käyttämällä verkon piiloyksiköiden jaettuja painoarvoja tiedon jokaisessa aikavaiheessa. Kirjoittajat valitsevat LSTM:n, eivät RNN:tä, koska RNN:llä on merkittävä katoava gradienttiongelma. Aikaisempiin tuloihin perustuva lähtövirheen gradientti katoaa, kun tulojen välinen aikaviive ja virheet lisääntyvät. Tämän ongelman ratkaisemiseksi otetaan käyttöön LSTM. LSTM:ssä on muisti, joka tulee käytännössä korvaamalla RNN:n epälineaariset yksiköt piilossa olevissa kerroksissa muistilohkoilla. Verkko levittää virheitä koko verkossa, minkä seurauksena se voi oppia pitkäaikaisia ​​riippuvuuksia ja unohtaa käsillä olevan datan perusteella tarpeettoman tiedon. Ennustemallin tarkkuus lasketaan standardien estimointimenetelmien, kuten sekavuusmatriisin ja käyrän alla olevan alueen (AUC) arvojen mukaisesti. Nämä arvot vaihtelevat välillä 0,5–1, jolloin 1 on täydellinen luokittelu ja 0,5 ei ole parempi kuin onnea.

Vaihe kolme

Fokusryhmästä nousevat teemat poimitaan keskustelun transkriptiosta. Aksiaalikoodausstrategiaa sovelletaan kunkin teemakeskustelun laajuuden laskemiseen. Tämä laadullinen data-analyysi koostuu viitenumeron antamisesta kullekin teemalle ja minkä tahansa aiheeseen liittyvän lauseen merkitsemisestä tällä numerolla. Koodien ja lauseen osumien luotettavuustarkistus suoritetaan antamalla koodiluettelo riippumattomalle tutkijalle, joka on kokenut kvalitatiivisen analyysin, ja pyytämällä häntä tunnistamaan kutakin koodia vastaava lause. Summavastausten hyväksymisaste tutkimuskysymyksiin saadaan laskemalla ehdotetun väitteen kanssa samaa mieltä olevien osallistujien prosenttiosuus. Kirjoittajat keskustelevat kehitetyistä vastauksista asiaankuuluvien esiin nousseiden teemojen ja keskusteluryhmän yksimielisyystason valossa.