도전 행동 예측 시스템 개발 및 검증

연구 목표

현재 프로토콜은 각각 특정 목표를 가진 세 단계로 구성됩니다. 첫 번째 목표는 고기능 자폐증 스펙트럼 장애(ASD)가 있는 성인과 일반적으로 발달한 또래 사이에서 스마트 웨어러블 셔츠(SWS)로 측정한 생리적 반응의 차이를 평가하는 것입니다. 두 번째 목표는 도전적인 행동(CB)의 임박한 시작을 가장 잘 예측할 수 있는 생리적 매개변수를 배우는 것입니다. 세 번째 목표는 CB의 발생을 실시간으로 예측하고 스마트폰 애플리케이션으로 전송되는 경고 알림을 통해 간병인에게 알릴 수 있는 시스템을 개발하는 것입니다.

연구 설계

관찰 연구 설계는 현재 연구의 처음 두 단계에서 구현될 것입니다. 1단계에서는 두 가지 시각적 자극에 대한 참가자의 생리적 반응을 수집하고 분석합니다. 2단계에서는 ASD 환자가 나타내는 CB의 생리학적 특성을 수집합니다. 혼합 방법 설계를 사용한 단일 사례 연구는 시스템 유효성 개념 증명이 수행되는 3단계에서 구현됩니다.

윤리 및 안전 문제

연구 제안은 Ariel University 기관 검토 위원회(AU-HEA-ML-20201203)의 승인을 받았습니다. 이 연구는 헬싱키 선언 원칙에 따라 수행될 것입니다. 모집 시 모든 참가자 또는 법적 보호자로부터 서면 동의서를 수집합니다. 현재 프로토콜에서 사용할 계획인 SWS는 비침습적 의료기기입니다. 그러나 참가자가 SWS를 용납하지 않는 경우, 그는 아무런 영향 없이 언제든지 연구에서 철회할 수 있습니다.

참가자들

샘플 크기 계산 분석에 따르면 집에 거주하는 20~40세 사이의 고기능 ASD로 진단된 20명의 피험자 그룹(관찰 그룹 - OG)과 20명의 일반적인 연령 및 성별 일치 대조군(CG)이 개발되었습니다. 피어는 첫 번째 프로토콜 단계에 등록됩니다. 이 연구의 두 번째 단계에서는 20세에서 40세 사이의 공격적이거나 파괴적인 CB를 나타내는 ASD를 가진 10명의 사람들과 그들의 간병인이 모집될 것입니다. 마지막으로, 공격적이거나 파괴적인 CB를 보이는 20-40세의 ASD를 가진 한 참가자가 연구의 세 번째 단계에 참여할 것입니다.

절차

1단계 - ASD 생리적 결과가 있는 사람과 없는 사람을 비교합니다.

현재 프로토콜의 첫 번째 단계에서는 참가자가 5분짜리 비디오 2개를 시청하는 동안 SWS를 사용하여 OG 및 CG에 있는 사람들의 생리적 매개변수를 획득합니다. 하나의 비디오는 편안한 이미지를 보여주고 편안한 음악(휴식 비디오)을 방출합니다. 두 번째 영상은 불안한 음악과 함께 인상적인 인체 기형을 선보일 예정이다. 두 비디오 모두 앉은 자세로 참가자에게 제공됩니다. 편안한 비디오를 시작하기 전에 참가자는 긴장을 풀고 의자 등받이에 기대도록 초대됩니다. 참가자는 이완을 촉진하기 위해 자신의 재량에 따라 눈을 감거나 눈을 뜨고 있을 수 있습니다. 참가자는 불편한 비디오를 시청하는 동안 의자 등받이에 기대지 말고 눈을 뜨고 있어야 합니다. 각 참가자가 시청한 첫 번째 비디오는 두 비디오 중 무작위로 선택됩니다. 전체 세션 시간은 약 15분입니다.

2단계 - ASD를 가진 사람들의 생리적 매개변수의 변화를 분류합니다.

프로토콜의 2단계에 등록한 각 참가자는 깨어 있는 시간 동안 연속 7일 동안 SWS를 착용하고 평소 일상 활동을 수행합니다. 같은 7일 동안 참가자를 돌보는 간병인은 행동 일기에 참가자의 상태를 보고합니다. 매일 저녁 SWS에서 수집한 데이터는 오늘의 행동 일기와 함께 온라인 클라우드에 업로드됩니다. 10명의 참가자 모두로부터 데이터가 수집되면 딥 러닝(DL) 알고리즘이 개발되어 CB 이전에 발생하는 개인의 생리학적 매개 변수의 변화를 학습하고 향후 CB를 예측합니다. 또한 SWS 데이터를 실시간으로 수신하여 원격 서버로 전송하는 스마트폰 애플리케이션이 개발되어 개발된 알고리즘을 통해 분석되고 분류된 CB 이벤트가 추출되어 애플리케이션의 알림 화면에 표시됩니다. 즉, 알고리즘이 들어오는 CB의 가능성을 감지하면 CB의 출현 가능성을 알리기 위해 간병인의 스마트폰으로 알림이 전송되므로 선택한 개입 전략을 구현할 수 있습니다.

3단계 - 시스템 개념 증명.

일주일 동안 개발된 시스템 프로토타입과 그 효능은 특수 학교 환경에서 의료 전문가 및 교사와 함께 7일 동안 ASD를 가진 한 참가자에게 테스트됩니다. 참가자는 특수 학교에 출석하는 모든 시간 동안 SWS를 착용합니다. 7일이 지나면 QUEST 2.0이 시스템과 상호 작용할 각 전문가 및 교사에게 관리되고 위에서 언급한 연구 질문을 해결하기 위해 그들과 함께 포커스 그룹이 수행됩니다. 포커스 그룹은 다음 연구 질문에 답하는 것을 목표로 합니다.

• 스마트 셔츠를 입는 것이 참가자들을 화나게 했습니까?
• 시스템이 모든 관련 CB를 감지할 수 있었습니까?
• 적절한 예방 전략을 적시에 적용할 수 있을 만큼 시스템 작동 속도가 충분했습니까?
• 시스템 사용으로 CB의 양이 줄었습니까?
• 효율성을 높이기 위해 시스템에 어떤 개선 사항을 적용할 수 있습니까?

QUEST 2.0 관리에서 얻은 정보는 포커스 그룹 내에서 논의됩니다. 포커스 그룹의 마지막 부분에서는 각 연구 질문에 대한 솔루션 요약을 그룹에 제안하고 제안된 요약 답변에 동의하거나 동의하지 않는 참가자 수를 수집합니다.

데이터 분석

1단계

OG 및 CG 참가자로부터 SWS가 수집한 데이터를 분석하고 비교합니다. ECG 수신 데이터에서 심박수(HR)는 두 개의 연속 QRS 컴플렉스 사이에서 계산됩니다. 두 QRS파 사이의 시간 간격을 "t"로 간주하면 해당 시간 HR은 60/t가 됩니다. 백분율 임계값은 슬라이딩 윈도우 방법을 사용하여 설정되며 HR에서 원치 않는 아티팩트를 제거하기 위해 허용되는 최소 피크 너비가 식별됩니다. 제거 과정은 양수 및 음수 피크에 대해 2회에 걸쳐 수행됩니다. 창이 HR 신호 위로 미끄러지고 중앙값이 계산됩니다. 허용되는 최대(양수 및 음수) 피크 진폭은 창의 중앙값에 임계값을 곱하여 모든 창에 대해 결정됩니다. 양성 피크의 임계값은 창 평균값의 30%(첫 번째 제거 라운드의 경우) 및 25%(두 번째 제거 라운드의 경우)로 설정되었습니다. 임계값은 창 평균값의 50%(첫 번째 제거 라운드의 경우) 및 30%(두 번째 제거 라운드의 경우)에서 음의 피크에 대해 설정되었습니다. 그런 다음 허용된 값보다 큰 진폭을 가진 모든 피크가 모든 창에서 식별됩니다. 이러한 피크 중 하나가 허용되는 최소 피크 너비보다 좁으면 참조 창 중앙값으로 대체됩니다. 그렇지 않고 식별된 피크 폭이 허용된 피크 폭보다 큰 경우 해당 값은 최대 허용 HR(양수 피크의 경우) 또는 최소 허용 HR(음수 피크의 경우)로 대체됩니다. 최대 허용 HR은 다음 공식으로 계산됩니다: "209-(0.7×(참가자 나이))". 허용되는 최소 HR은 60bpm입니다. 비정상적인 피크를 제거한 후 신호는 시그마가 1인 가우시안 필터로 필터링됩니다. HR 신호 필터링 프로세스 후, 획득된 깨끗한 HR 신호는 "스트레스 없음", "가벼운 스트레스", "보통 스트레스" 및 "높은 스트레스" 수준 내에서 참가자 스트레스를 분류하는 데 사용됩니다. 각 스트레스 수준은 특정 값 범위 내에 있는 HR 신호를 나타냅니다. "스트레스 없음" 수준에는 정리된 HR 신호의 최저 피크의 90% 미만인 HR 값이 포함됩니다. 이 HR 값이 보다 낮은 경우 "높은 스트레스" 수준은 정리된 HR 신호의 최고 피크의 90%를 초과하는 값으로 구성됩니다. 이 값이 최대 허용 HR보다 크면 최대 허용 HR 값의 90%로 대체됩니다. 이 두 임계값 사이에 남아 있는 범위는 두 개의 동일한 부분(하한 및 상한)으로 나뉩니다. 이 범위의 아래쪽 절반에 위치한 HR 데이터는 "가벼운 스트레스"로 분류되고 위쪽 절반에 위치한 HR 데이터는 "보통 스트레스"로 분류됩니다. 각 HR 값은 스트레스 수준("스트레스 없음" = 0, "가벼운 스트레스" = 1, "보통 스트레스" = 2, "높은 스트레스" = 3)에 해당하는 수치로 분류되고 할당됩니다. 1단계의 모든 참가자의 스트레스 수준 시퀀스를 획득한 후 OG 및 CG의 대상 시퀀스는 획득한 데이터 분석에 적합한 버전의 Smith-Waterman 알고리즘을 사용하여 비교됩니다.

2단계

2단계에 등록된 참가자로부터 SWS가 수집한 데이터는 위에서 설명한 대로 분석되고 들어오는 참가자의 스트레스 수준을 예측하기 위해 DL 알고리즘이 개발됩니다. 피험자 간의 CB 패턴을 찾기 위해 피험자의 데이터에서 CB에서 발생할 수 있는 이상 징후를 찾는 지도 학습 기반 분류기를 구성합니다. 참가자의 간병인이 행동 일지를 통해 수집한 데이터와 1단계에서 수집한 정보를 사용하여 CBs 발생에 해당하는 데이터 패턴을 인식하도록 LSTM(장단기 기억) 알고리즘을 학습합니다. LSTM은 반복 신경망(RNN)의 확장입니다. 기계 학습(ML) 및 DL의 다른 응용 프로그램과 달리 시계열 정보를 분석하고 예측하는 과정에서 각 데이터 포인트는 이전 정보를 기반으로 하므로 검토해야 합니다. RNN은 데이터의 각 시간 단계에 걸쳐 네트워크의 은폐 단위 간에 공유 와이트를 사용하여 현재 입력 데이터 기록을 관찰하여 대상 벡터를 형성할 수 있으므로 시계열 응용 프로그램에 가장 많이 사용되는 네트워크입니다. 저자는 RNN이 기울기 소실 문제가 심각하기 때문에 RNN이 아닌 LSTM을 선택합니다. 출력 오류의 기울기는 입력과 오류 사이의 시간 지연이 증가하면 사라지는 이전 입력을 기반으로 합니다. 이 문제를 극복하기 위해 LSTM이 도입되었습니다. LSTM은 메모리를 가지고 있는데, 은닉층에 있는 RNN의 비선형 단위를 메모리 블록으로 대체하여 실행합니다. 네트워크는 전체 네트워크에 오류를 전파하고 결과적으로 장기 종속성을 학습하고 현재 데이터를 기반으로 불필요한 정보를 잊을 수 있습니다. 예측 모델의 정확도는 혼동 행렬 및 곡선 아래 영역(AUC) 값과 같은 표준 추정 방법에 따라 계산됩니다. 이 값의 범위는 0.5에서 1까지이며 1은 완벽한 분류이고 0.5는 운이 좋지 않은 것입니다.

3단계

포커스 그룹에서 나올 주제는 토론 기록에서 추출됩니다. 각 주제 토론의 확장성을 계산하기 위해 축 코딩 전략이 적용됩니다. 이 질적 데이터 분석은 각 주제에 참조 번호를 할당한 다음 해당 주제와 관련된 모든 문장에 해당 번호를 표시하는 것으로 구성됩니다. 질적 분석 경험이 있는 독립적인 연구자에게 코드 목록을 제공하고 각 코드와 일치하는 문장을 식별하도록 요청하여 코드 대 문장 일치에 대한 신뢰도 검사를 적용합니다. 연구 질문에 대한 요약 답변에 대한 동의 수준은 제안된 진술에 동의하는 참가자의 비율을 계산하여 얻을 수 있습니다. 저자는 관련된 떠오르는 주제와 토론 그룹의 동의 수준에 비추어 개발된 답변을 논의할 것입니다.