挑戦的な行動を予測するためのシステムの開発と検証

学習目標

現在のプロトコルは、それぞれ特定の目標を持つ 3 つのフェーズで構成されています。 最初の目的は、スマート ウェアラブル シャツ (SWS) で測定された高機能自閉症スペクトラム障害 (ASD) の成人と一般的に発達した仲間との生理学的反応の違いを評価することです。 2 番目の目標は、どの生理学的パラメーターが挑戦行動 (CB) の差し迫った発症を最もよく予測できるかを学習することです。 3 つ目の目的は、CB の発生をリアルタイムで予測し、スマートフォン アプリケーションで送信されるアラート通知を通じて介護者に通知できるシステムを開発することです。

研究デザイン

観察研究のデザインは、現在の研究の最初の 2 つのフェーズで実施されます。 フェーズ 1 では、2 つの視覚刺激に対する参加者の生理学的反応が収集され、分析されます。 フェーズ 2 では、ASD を持つ人々によって提示される CB の生理学的特徴が収集されます。 フェーズ 3 では、混合方式の設計による 1 つのケース スタディが実装され、システムの有効性の概念実証が実行されます。

倫理と安全の問題

研究提案は、アリエル大学機関審査委員会 (AU-H​​EA-ML-20201203) によって承認されました。 この研究は、ヘルシンキ宣言の原則に従って実施されます。 募集時には、すべての参加者またはその法的保護者から書面によるインフォームド コンセントが収集されます。 現在のプロトコルで使用する予定の SWS は、非侵襲的な医療機器です。 ただし、参加者が SWS に耐えられない場合は、何の影響もなく、いつでも研究を中止できます。

参加者

サンプルサイズの計算分析によると、高機能ASDと診断された20歳から40歳までの自宅に住む20人の被験者のグループ（観察グループ-OG）と、年齢と性別が一致した20人の典型的な対照グループ（CG）が開発されました。ピアは最初のプロトコル フェーズで登録されます。 この研究の第 2 段階では、20 歳から 40 歳までの攻撃的または破壊的な CB を示す ASD を持つ 10 人とその介護者が募集されます。 最後に、20 歳から 40 歳までの特殊学校に通い、自宅で生活している、攻撃的または破壊的な CB を示す ASD を持つ 1 人の参加者が、研究の第 3 段階に参加します。

手順

フェーズ 1 - ASD の生理学的転帰がある人とない人の比較。

現在のプロトコルの第 1 段階では、参加者が 5 分間のビデオを 2 つ視聴しながら、SWS を使用して OG と CG の人々の生理学的パラメーターを取得します。 1 つのビデオには、リラックスできる画像が表示され、リラックスできる音楽が流れます (リラックス ビデオ)。 2 つ目のビデオでは、印象的な人体の奇形を不安な音楽と共に紹介します (邪魔なビデオ)。 両方のビデオは、座った姿勢で参加者に提示されます。 リラックス ビデオを開始する前に、参加者はリラックスして椅子の背もたれにもたれかかるように促されます。 参加者は、リラクゼーションを促進するために、自分の裁量で目を閉じたり開いたりすることができます。 参加者は、椅子の背もたれにもたれかかったり、不快なビデオ視聴中は目を開けたままにしないように求められます。 各参加者が最初に視聴したビデオは、2 つのビデオからランダムに選択されます。 セッション全体の所要時間は約 15 分です。

フェーズ 2 - ASD を持つ人々の生理学的パラメータの変動を分類します。

プロトコルのフェーズ 2 に登録された各参加者は、SWS を 7 日間連続して起床時に着用し、通常の日常活動を行います。 同じ 7 日間、参加者の世話をする介護者は、行動日記で参加者の状態を報告します。 毎晩、SWS によって収集されたデータは、その日の行動日記と共にオンライン クラウドにアップロードされます。 10 人の参加者全員からのデータが収集されると、深層学習 (DL) アルゴリズムが開発され、CB の前に発生する個人の生理学的パラメーターの変動を学習し、将来の CB を予測します。 さらに、SWS データをリアルタイムで受信し、リモート サーバーに送信して、開発したアルゴリズムを介して分析し、分類された CB イベントを抽出してアプリケーションの通知画面に表示するスマートフォン アプリケーションを開発します。 つまり、アルゴリズムが CB の着信の可能性を検出すると、介護者のスマートフォンに通知が送信され、CB の出現の可能性が通知されるため、選択した介入戦略の実装が可能になります。

フェーズ 3 - システムの概念実証。

1 週間、開発されたシステムのプロトタイプとその有効性が、ASD を持つ 1 人の参加者で 7 日間、特別な学校環境で医療専門家と教師とともにテストされます。 参加者は特別支援学校に通う時間中、SWSを着用します。 7 日間の終わりに、QUEST 2.0 は、システムと対話する各専門家と教師に管理され、上記の研究課題に対処するためにフォーカス グループが実施されます。 フォーカス グループは、次の研究課題に答えることを目的としています。

• スマートシャツを着て参加者を動揺させましたか?
• システムは、関連するすべての CB を検出できましたか?
• システムの動作速度は、適切な予防戦略を適時に適用できるほど十分でしたか?
• システムの利用により、CB の量は減少しましたか？
• システムの有効性を高めるために、どのような改善をシステムに適用できますか?

QUEST 2.0 の管理から得られた情報は、フォーカス グループ内で議論されます。 フォーカス グループの最後の部分では、各リサーチ クエスチョンに対するソリューションの総和がグループに提案され、提案された総和の回答に同意または反対する参加者の数が収集されます。

データ分析

フェーズ 1

SWS が OG と CG の参加者から収集したデータを分析し、比較します。 受信した ECG データから、2 つの連続する QRS コンプレックス間の心拍数 (HR) が計算されます。 2 つの QRS 群の時間間隔を「t」とすると、対応する時間的 HR は 60/t になります。 スライディング ウィンドウ法を使用してパーセンテージのしきい値が設定され、HR から不要なアーティファクトを除去するために最小許容ピーク幅が特定されます。 除去プロセスは、正と負のピークに対して 2 ラウンドで実行されます。 ウィンドウが HR 信号上でスライドされ、その中央値が計算されます。 許容される最大 (正および負) のピーク振幅は、ウィンドウの中央値にしきい値を掛けることによって、ウィンドウごとに決定されます。 正のピークのしきい値は、ウィンドウの平均値の 30% (最初の除去ラウンドの場合) および 25% (2 番目の除去ラウンドの場合) に設定されました。 負のピークのしきい値は、ウィンドウの平均値の 50% (最初の除去ラウンド) および 30% (2 回目の除去ラウンド) に設定されました。 次に、許容値より大きい振幅を持つすべてのピークがすべてのウィンドウから識別されます。 これらのピークの 1 つが最小許容ピーク幅より狭い場合、参照ウィンドウの中央値に置き換えられます。 それ以外の場合、識別されたピーク幅が許容されるピーク幅よりも大きい場合、その値は最大許容 HR (正のピークの場合) または最小許容 HR (負のピークの場合) に置き換えられます。 最大許容 HR は次の式で計算されます: "209-(0.7×(参加者 年））"。 許容される最小の HR は 60 bpm です。 異常なピークを除去した後、信号はシグマが 1 のガウス フィルターでフィルター処理されます。 HR 信号フィルタリング プロセスの後、得られたクリーンな HR 信号を使用して、参加者のストレスを次のレベルに分類します:「ストレスなし」、「軽度のストレス」、「適度なストレス」、および「高ストレス」。 各ストレス レベルは、特定の値の範囲内に位置する HR 信号を参照します。 「ストレスなし」レベルには、クリーン化された HR 信号の最低ピークの 90% 未満の HR 値が含まれます。 この HR 値がより低い場合、「高ストレス」レベルは、クリーニングされた HR 信号の最高ピークの 90% を超える値で構成されます。 この値が最大許容 HR を超える場合、最大許容 HR 値の 90% で置き換えられます。 これら 2 つのしきい値の間に残っている範囲は、2 つの等しい部分 (下半分と上半分) に分割されます。 この範囲の下半分に位置する HR データは「軽度のストレス」として分類され、上半分に位置するものは「中程度のストレス」として分類されます。 各 HR 値は分類され、ストレス レベルに対応する数値が割り当てられます (「ストレスなし」= 0、「軽度のストレス」= 1、「中程度のストレス」= 2、および「高ストレス」= 3)。 フェーズ 1 のすべての参加者のストレス レベルのシーケンスを取得した後、OG と CG の被験者のシーケンスを、取得したデータの分析に適合したバージョンの Smith-Waterman アルゴリズムを使用して比較します。

フェーズ 2

フェーズ 2 に登録された参加者から SWS によって収集されたデータは、上記のように分析され、次の参加者のストレス レベルを予測するために DL アルゴリズムが開発されます。 被験者間の CB パターンを見つけるために、教師あり学習に基づく分類子が構築され、CB で発生しようとしていることを示す可能性のある被験者のデータの異常が検出されます。 長短期記憶 (LSTM) アルゴリズムは、行動日記を通じて参加者の介護者によって収集されたデータとフェーズ 1 で収集された情報を使用して、CB の発生に対応するデータ パターンを認識するように教えられます。 LSTM はリカレント ニューラル ネットワーク (RNN) の拡張です。 機械学習 (ML) および DL の他のアプリケーションとは対照的に、時系列情報を分析および予測するプロセスでは、各データ ポイントは以前の情報に基づいており、これも調べる必要があります。 RNN は、時系列アプリケーションで最も使用されるネットワークです。これは、データの各タイム ステップでネットワークの隠れユニット間で共有ワイトを使用して、現在の入力データ履歴を観察することでターゲット ベクトルを形成できるためです。 RNN には重要な勾配消失問題があるため、著者は RNN ではなく LSTM を選択します。 出力エラーの勾配は、入力とエラーの間のタイムラグが増加すると、以前の入力に基づいています。 この問題を解決するために、LSTM が導入されました。 LSTM にはメモリがあり、隠れ層の RNN の非線形ユニットをメモリ ブロックに置き換えることで実現します。 ネットワークはネットワーク全体にエラーを伝播し、その結果、長期的な依存関係を学習し、手元のデータに基づいて不要な情報を忘れることがあります。 予測モデルの精度は、混同行列や曲線下面積 (AUC) 値などの標準的な推定方法に従って計算されます。 これらの値の範囲は 0.5 から 1 で、1 は完全な分類であり、0.5 は運に勝るものではありません。

フェーズ 3

フォーカス グループから出てくるテーマは、ディスカッションの文字起こしから抽出されます。 各テーマの議論の広がりを計算するために、軸コーディング戦略が適用されます。 この定性的なデータ分析は、各テーマに参照番号を割り当て、そのテーマに関連する文にその番号を付けることで構成されます。 コードと文の一致の信頼性チェックは、定性分析の経験のある独立した研究者にコードのリストを渡し、各コードに一致する文を特定するよう依頼することによって適用されます。 リサーチ・クエスチョンに対する総和の回答に対する同意のレベルは、提案されたステートメントに同意する参加者の割合を計算することによって得られます。 著者は、関連する出現したテーマとディスカッション グループの同意レベルに照らして、開発された回答について議論します。