Ontwikkeling en validatie van een systeem voor het anticiperen op uitdagend gedrag

Studie doelen

Het huidige protocol bestaat uit drie fasen met elk een specifiek doel. Het eerste doel is het beoordelen van de verschillen in fysiologische reactie gemeten met een Smart Wearable Shirt (SWS) tussen volwassenen met een hoogfunctionerende autismespectrumstoornis (ASS) en typisch ontwikkelde leeftijdsgenoten. Het tweede doel is om te leren welke fysiologische parameters het beste het op handen zijnde begin van een Challenging Behavior (CB) kunnen voorspellen. Het derde doel is om een ​​systeem te ontwikkelen dat in staat is om het binnenkomende optreden van een CB in real-time te voorspellen en de verzorger te informeren via een waarschuwingsmelding die wordt verzonden op een smartphone-applicatie.

Studie ontwerp

In de eerste twee fasen van het huidige onderzoek zal een observationele onderzoeksopzet worden geïmplementeerd. In fase één worden de fysiologische reacties van deelnemers op twee visuele stimuli verzameld en geanalyseerd. In fase twee worden de fysiologische kenmerken verzameld van CB's gepresenteerd door mensen met ASS. Een enkele casestudy met een mixed-method design zal worden geïmplementeerd in fase drie, waar de systeemvaliditeit proof of concept zal worden uitgevoerd.

Ethiek en veiligheidskwesties

Het onderzoeksvoorstel werd goedgekeurd door de institutionele beoordelingsraad van Ariel University (AU-HEA-ML-20201203). De studie zal worden uitgevoerd volgens de principes van de Verklaring van Helsinki. Bij de werving wordt schriftelijke geïnformeerde toestemming verkregen van alle deelnemers of hun wettelijke voogden. De SWS die in het huidige protocol zal worden gebruikt, is een niet-invasief medisch hulpmiddel. Als een deelnemer SWS echter niet tolereert, kan hij zich op elk moment terugtrekken uit het onderzoek zonder enige gevolgen.

Deelnemers

Volgens een berekeningsanalyse van de steekproefomvang ontwikkelde een groep van 20 proefpersonen met de diagnose hoogfunctionerende ASS in de leeftijd tussen 20 en 40 jaar die thuis woonden (observatiegroep - OG) samen met een qua leeftijd en geslacht overeenkomende controlegroep (CG) van 20 typisch peers worden ingeschreven in de eerste protocolfase. Voor de tweede fase van het onderzoek zullen 10 mensen met ASS met agressieve of storende CB's tussen de 20 en 40 jaar en hun verzorgers worden aangeworven. Tot slot zal in de derde fase van het onderzoek één deelnemer met ASS, tussen de 20 en 40 jaar oud die naar een speciale school gaat en thuis woont, die agressieve of storende CB's vertoont, deelnemen.

Procedure

Fase één - vergelijking tussen mensen met en zonder fysiologische uitkomsten van ASS.

Voor de eerste fase van het huidige protocol zullen de fysiologische parameters van de mensen in de OG en CG worden verkregen met behulp van de SWS terwijl deelnemers twee video's van vijf minuten bekijken. Eén video laat ontspannende beelden zien en laat ontspannende muziek horen (ontspannende video). De tweede video toont indrukwekkende misvormingen van het menselijk lichaam, begeleid door angstige muziek (verontrustende video). Beide video's worden zittend aan de deelnemer gepresenteerd. Voordat de ontspannende video wordt gestart, wordt de deelnemer uitgenodigd om te ontspannen en achterover te leunen op de rugleuning van de stoel. De deelnemer kan naar eigen goeddunken zijn ogen sluiten of open houden om de ontspanning te bevorderen. Deelnemers wordt gevraagd niet tegen de rugleuning van de stoel te leunen en hun ogen open te houden tijdens het bekijken van de verontrustende video. De eerste video die door elke deelnemer wordt bekeken, wordt willekeurig tussen de twee video's gekozen. De duur van de gehele sessie zal ongeveer 15 minuten zijn.

Fase twee - Classificeer de variaties van de fysiologische parameters bij mensen met ASS.

Elke deelnemer die is ingeschreven voor fase twee van het protocol zal de SWS gedurende zeven opeenvolgende dagen tijdens de nachtelijke uren dragen, terwijl hij zijn gebruikelijke dagelijkse activiteiten uitvoert. Gedurende dezelfde zeven dagen rapporteren de zorgverleners die voor de deelnemer zorgen de status van de deelnemer in het gedragsdagboek. Elke avond worden de door de SWS verzamelde gegevens geüpload naar een online cloud, samen met het gedragsdagboek van de dag. Zodra de gegevens van alle 10 deelnemers zijn verzameld, zal een Deep Learning (DL)-algoritme worden ontwikkeld om de variaties in de fysiologische parameters van het individu die optreden vóór een CB te leren en toekomstige CB te voorspellen. Bovendien zal er een smartphone-applicatie worden ontwikkeld om de SWS-gegevens in realtime te ontvangen en naar een externe server te sturen, waar ze worden geanalyseerd via het ontwikkelde algoritme en de geclassificeerde CB-gebeurtenissen worden geëxtraheerd en gepresenteerd op het meldingsscherm van de applicatie. Met andere woorden: als het algoritme de mogelijkheid van een inkomende CB detecteert, wordt er een melding naar de smartphone van de zorgverlener gestuurd om de mogelijke komst van een CB te melden, waardoor de geselecteerde interventiestrategie kan worden geïmplementeerd.

Fase drie - Systeem proof of concept.

Gedurende een week wordt het ontwikkelde prototype van het systeem en de werkzaamheid ervan gedurende zeven dagen getest op één deelnemer met ASS met zorgprofessionals en docenten in een speciale schoolomgeving. De deelnemer draagt ​​de SWS tijdens alle uren dat hij aanwezig is op de speciale school. Aan het einde van de zeven dagen zal de QUEST 2.0 worden afgenomen bij elke professional en docent die met het systeem te maken heeft, en zal er een focusgroep met hen worden gehouden om de bovengenoemde onderzoeksvragen te beantwoorden. De focusgroep zal zich richten op het beantwoorden van de volgende onderzoeksvragen:

• Heeft het dragen van het smart-shirt de deelnemers van streek gemaakt?
• Kon het systeem alle relevante CB detecteren?
• Was de werkingssnelheid van het systeem voldoende om de juiste preventiestrategieën tijdig toe te passen?
• Heeft het gebruik van het systeem de hoeveelheid CB verminderd?
• Welke verbeteringen kunnen aan het systeem worden aangebracht om de effectiviteit ervan te vergroten?

Informatie verkregen uit de QUEST 2.0 administratie wordt besproken binnen de focusgroep. In het laatste deel van de focusgroep wordt een opsomming van oplossingen voor elke onderzoeksvraag aan de groep voorgesteld en wordt het aantal deelnemers verzameld dat het eens of oneens is met de voorgestelde somantwoorden.

Gegevens analyses

Fase een

Gegevens verzameld door de SWS van deelnemers aan de OG en CG zullen worden geanalyseerd en vergeleken. Uit ECG-ontvangen gegevens wordt de hartslag (HR) berekend tussen twee opeenvolgende QRS-complexen. Als we het tijdsinterval tussen twee QRS-complexen als "t" beschouwen, zal de corresponderende temporele HR 60/t zijn. Er wordt een procentuele drempelwaarde ingesteld met behulp van de schuifvenstermethode en de minimaal toegestane piekbreedte wordt geïdentificeerd om ongewenste artefacten uit HR te verwijderen. Het verwijderingsproces wordt uitgevoerd voor positieve en negatieve pieken in twee rondes. Er wordt een venster over het HR-signaal geschoven en de mediaanwaarde wordt berekend. De maximale (positieve en negatieve) toegestane piekamplitude wordt voor elk venster bepaald door de mediaanwaarde van het venster te vermenigvuldigen tot een drempelwaarde. De drempelwaarde voor positieve pieken werd vastgesteld op 30% (voor de eerste verwijderingsronde) en 25% (voor de tweede verwijderingsronde) van de gemiddelde waarde van het venster. De drempelwaarde voor negatieve pieken is vastgesteld op 50% (voor de eerste verwijderingsronde) en 30% (voor de tweede verwijderingsronde) van de gemiddelde waarde van het venster. Vervolgens worden vanuit elk venster alle pieken met een grotere amplitude dan de toegestane waarde geïdentificeerd. Als een van deze pieken smaller is dan de minimaal toegestane piekbreedte, wordt deze vervangen door de mediaanwaarde van het referentievenster. Anders, als een geïdentificeerde piekbreedte groter is dan de toegestane piekbreedte, wordt de waarde ervan vervangen door de maximaal toegestane HR (voor positieve pieken) of de minimaal toegestane HR (voor negatieve pieken). De maximaal toegestane HR wordt berekend met de volgende formule: "209-(0.7×(Deelnemer leeftijd))". De minimaal toegestane HR is 60 bpm. Na het verwijderen van abnormale pieken wordt het signaal gefilterd met een Gaussiaans filter met een sigma gelijk aan 1. Na het filterproces van het HR-signaal zal het verkregen opgeschoonde HR-signaal worden gebruikt om de stress van de deelnemer te classificeren binnen de volgende niveaus: "geen stress", "milde stress", "matige stress" en "hoge stress". Elk stressniveau verwijst naar een HR-signaal dat zich binnen een specifiek waardenbereik bevindt. Het "geen stress"-niveau omvat de HR-waarden onder 90% van de laagste piek van het opgeschoonde HR-signaal. Als deze HR-waarde lager is dan zal het "hoge stress"-niveau waarden omvatten boven 90% van de hoogste piek van het opgeschoonde HR-signaal. Als deze waarde hoger is dan de maximaal toegestane HR, wordt deze vervangen door 90% van de maximaal toegestane HR-waarde. Het bereik tussen deze twee drempels wordt verdeeld in twee gelijke delen (onderste en bovenste helft). De HR-gegevens die zich in de onderste helft van dit bereik bevinden, worden geclassificeerd als "lichte stress" en die in de bovenste helft als "matige stress". Elke HR-waarde wordt geclassificeerd en toegewezen met een numerieke waarde die overeenkomt met een stressniveau ("geen stress" = 0, "lichte stress" = 1, "matige stress" = 2 en "hoge stress" = 3). Na het verkrijgen van de sequenties van de stressniveaus van alle deelnemers van fase één, zullen de sequenties van de proefpersonen in de OG en CG worden vergeleken met behulp van een versie van het Smith-Waterman-algoritme dat is aangepast voor de analyse van de verkregen gegevens.

Fase twee

De gegevens die door de SWS zijn verzameld van deelnemers die in fase twee zijn ingeschreven, zullen worden geanalyseerd zoals hierboven beschreven, en er zal een DL-algoritme worden ontwikkeld om de stressniveaus van de inkomende deelnemers te voorspellen. Om CB's-patronen tussen proefpersonen te vinden, zal een classificatie worden geconstrueerd op basis van gesuperviseerd leren om anomalieën in de gegevens van de proefpersoon te vinden die erop kunnen wijzen dat CB op het punt staat te gebeuren. Een algoritme voor het langetermijngeheugen (LSTM) zal worden aangeleerd om gegevenspatronen te herkennen die overeenkomen met het optreden van CB's, met behulp van de gegevens die zijn verzameld door de zorgverleners van de deelnemers via het gedragsdagboek en de informatie die in fase één is verzameld. LSTM is een uitbreiding van het terugkerende neurale netwerk (RNN). In tegenstelling tot andere toepassingen van Machine Learning (ML) en DL, is bij het analyseren en voorspellen van tijdreeksinformatie elk datapunt gebaseerd op eerdere informatie, die ook moet worden onderzocht. RNN is het meest gebruikte netwerk voor tijdreekstoepassingen omdat het de doelvector kan vormen door de huidige invoergegevensgeschiedenis te observeren, met behulp van gedeelde wights tussen de verborgen eenheden van het netwerk over elke tijdstap van de gegevens. De auteurs kiezen voor LSTM, niet voor de RNN, omdat RNN een aanzienlijk verdwijnend gradiëntprobleem heeft. De gradiënt van uitvoerfout is gebaseerd op eerdere invoer verdwijnt wanneer de tijd tussen invoer en fouten toeneemt. Om dit probleem op te lossen, wordt de LSTM geïntroduceerd. LSTM heeft een geheugen, dat in de praktijk komt door de niet-lineaire eenheden van RNN in de verborgen lagen te vervangen door geheugenblokken. Het netwerk verspreidt fouten door het hele netwerk, waardoor het afhankelijkheden op de lange termijn kan leren en onnodige informatie kan vergeten op basis van de beschikbare gegevens. De nauwkeurigheid van het voorspellingsmodel wordt berekend volgens standaard schattingsmethoden zoals de verwarringsmatrix en de AUC-waarden (Area Under the Curve). Deze waarden variëren van 0,5 tot 1, waarbij 1 een perfecte classificatie is en 0,5 niet beter is dan geluk.

Fase drie

De thema's die uit de focusgroep naar voren komen, worden uit de transcriptie van de discussie gehaald. Axiale coderingsstrategie zal worden toegepast om de uitgebreidheid van elke themadiscussie te berekenen. Deze kwalitatieve data-analyse bestaat uit het toekennen van een referentienummer aan elk thema en het markeren van elke zin die betrekking heeft op dat thema met dat nummer. Een betrouwbaarheidscontrole voor de code-tot-zin-overeenkomsten zal worden toegepast door de lijst met codes te geven aan een onafhankelijke onderzoeker die ervaring heeft met kwalitatieve analyse en hem te vragen de zin te identificeren die overeenkomt met elke code. De mate van instemming met het optellen van antwoorden op de onderzoeksvragen wordt verkregen door het percentage deelnemers te berekenen dat het eens is met de voorgestelde stelling. De auteurs zullen de uitgewerkte antwoorden bespreken in het licht van de relevante naar voren gekomen thema's en de mate van overeenstemming van de discussiegroep.