Utvikling og validering av et system for å forutse utfordrende atferd

Studiemål

Den nåværende protokollen består av tre faser, hver med et spesifikt mål. Det første målet er å vurdere forskjellene i fysiologisk reaksjon målt med en Smart Wearable Shirt (SWS) mellom voksne med høytfungerende autismespektrumforstyrrelse (ASD) og typisk utviklede jevnaldrende. Det andre målet er å lære hvilke fysiologiske parametere som best kan forutsi den forestående utbruddet av en utfordrende atferd (CB). Det tredje målet er å utvikle et system som er i stand til å forutsi den innkommende forekomsten av en CB i sanntid og informere omsorgspersonen gjennom en varselmelding sendt på en smarttelefonapplikasjon.

Studere design

Et observasjonsstudiedesign vil bli implementert i de to første fasene av den nåværende forskningen. I fase én vil deltakernes fysiologiske reaksjoner på to visuelle stimuli samles inn og analyseres. I fase to vil de fysiologiske egenskapene til CB presentert av personer med ASD bli samlet inn. En enkelt casestudie med en blandet metodedesign vil bli implementert i fase tre, hvor systemvalidity proof of concept vil bli utført.

Etikk og sikkerhetsspørsmål

Forskningsforslaget ble godkjent av Ariel University institusjonelle vurderingskomité (AU-HEA-ML-20201203). Studien vil bli utført etter Helsinki-erklæringens prinsipper. Ved rekrutteringen vil det innhentes skriftlig informert samtykke fra alle deltakere eller deres juridiske foresatte. SWS som er planlagt å bruke i gjeldende protokoll er et ikke-invasivt medisinsk utstyr. Men hvis en deltaker ikke tolererer SWS, kan han trekke seg fra studien når som helst uten ettervirkninger.

Deltakere

I følge en prøvestørrelsesberegningsanalyse utviklet en gruppe på 20 forsøkspersoner diagnostisert med høyt fungerende ASD i alderen mellom 20 og 40 år bosatt hjemme (observasjonsgruppe - OG) sammen med en alders- og kjønnsmatchet kontrollgruppe (CG) på 20 typisk jevnaldrende vil bli registrert i den første protokollfasen. For studiens andre fase vil 10 personer med ASD som presenterer aggressive eller forstyrrende CB i alderen mellom 20 og 40 år og deres omsorgspersoner rekrutteres. Til slutt vil en deltaker med ASD, i alderen mellom 20 og 40 år som går på en spesialskole og bor hjemme, som viser aggressive eller forstyrrende CB-er, delta i den tredje fasen av forskningen.

Fremgangsmåte

Fase én - sammenligning mellom personer med og uten ASD fysiologiske utfall.

For den første fasen av den nåværende protokollen vil de fysiologiske parameterne til menneskene i OG og CG bli anskaffet ved hjelp av SWS mens deltakerne ser to fem-minutters videoer. Én video viser avslappende bilder og sender ut avslappende musikk (avslappende video). Den andre videoen vil presentere imponerende deformiteter i menneskekroppen akkompagnert av engstelig musikk (urovekkende video). Begge videoene vil bli presentert for deltakeren i sittende stilling. Før du starter den avslappende videoen, vil deltakeren bli invitert til å slappe av og lene seg tilbake på stolens ryggstøtte. Deltakeren kan lukke øynene eller holde dem åpne etter eget skjønn for å fremme avslapning. Deltakerne vil bli bedt om å ikke lene seg mot stolryggen og holde øynene åpne under den forstyrrende videoen. Den første videoen som hver deltaker ser vil bli valgt tilfeldig mellom de to videoene. Varigheten av hele økten vil være ca. 15 minutter.

Fase to - Klassifiser de fysiologiske parameternes variasjoner hos personer med ASD.

Hver deltaker som er registrert i fase to av protokollen vil bære SWS i syv påfølgende dager i våkne timer, og utføre sine vanlige daglige aktiviteter. I løpet av de samme sju dagene vil omsorgspersonene som har omsorg for deltakeren rapportere deltakerens status i atferdsdagboken. Hver kveld vil data som samles inn av SWS bli lastet opp til en nettsky sammen med dagens atferdsdagbok. Når dataene fra alle de 10 deltakerne er samlet inn, vil en Deep Learning (DL) algoritme bli utviklet for å lære variasjonene i individets fysiologiske parametere som oppstår før en CB og forutsi fremtidig CB. I tillegg vil en smarttelefonapplikasjon utvikles for å motta SWS-dataene i sanntid og sende dem til en ekstern server hvor de analyseres gjennom den utviklede algoritmen og de klassifiserte CB-hendelsene vil bli trukket ut og presentert på applikasjonens varslingsskjerm. Med andre ord: hvis algoritmen oppdager muligheten for en innkommende CB, sendes et varsel til omsorgspersonens smarttelefon for å informere om mulig bruk av en CB, og muliggjør derfor implementeringen av den valgte intervensjonsstrategien.

Fase tre - System proof of concept.

I en uke vil den utviklede systemprototypen og dens effektivitet testes på én deltaker med ASD i syv dager med helsepersonell og lærere i en spesiell skolesetting. Deltakeren vil ha på seg SWS under alle timene med oppmøte på spesialskolen. På slutten av de syv dagene vil QUEST 2.0 bli administrert til hver fagperson og lærer som skal samhandle med systemet, og en fokusgruppe vil bli gjennomført med dem for å ta opp forskningsspørsmålene nevnt ovenfor. Fokusgruppen vil ta sikte på å svare på følgende forskningsspørsmål:

• Opprørte deltakerne å ha på seg smartskjorten?
• Var systemet i stand til å oppdage alle relevante CB?
• Var systemets driftshastighet tilstrekkelig til å tillate tidsmessig anvendelse av passende forebyggingsstrategier?
• Har bruken av systemet redusert mengden CB?
• Hvilke forbedringer kan brukes på systemet for å øke effektiviteten?

Informasjon innhentet fra QUEST 2.0-administrasjonen vil bli diskutert i fokusgruppen. I siste del av fokusgruppen vil en oppsummering av løsninger på hvert forskningsspørsmål bli foreslått for gruppen, og antall deltakere som er enige eller uenige i de foreslåtte summeringssvarene vil bli samlet inn.

Dataanalyser

Fase én

Data samlet inn av SWS fra deltakere i OG og CG vil bli analysert og sammenlignet. Fra EKG-mottatte data vil hjertefrekvensen (HR) beregnes mellom to påfølgende QRS-komplekser. Tatt i betraktning tidsintervallet mellom to QRS-komplekser som "t", vil den tilsvarende temporale HR være 60/t. En prosentvis terskelverdi vil bli satt ved bruk av skyvevindumetoden, og minimum tillatt toppbredde vil bli identifisert for å fjerne uønskede artefakter fra HR. Fjerningsprosessen vil bli utført for positive og negative topper i to runder. Et vindu vil skyves over HR-signalet, og medianverdien vil bli beregnet. Maksimal (positiv og negativ) tillatt toppamplitude vil bli bestemt for hvert vindu ved å multiplisere vinduets medianverdi for en terskelverdi. Terskelverdien for positive topper ble satt til 30 % (for den første fjerningsrunden) og 25 % (for den andre fjerningsrunden) av vinduets middelverdi. Terskelverdien ble satt for negative topper til 50 % (for den første fjerningsrunden) og 30 % (for den andre fjerningsrunden) av vinduets middelverdi. Deretter vil alle topper med amplitude større enn tillatt verdi identifiseres fra hvert vindu. Hvis en av disse toppene er smalere enn den minste tillatte toppbredden, vil den bli erstattet med referansevinduets medianverdi. Ellers, hvis en identifisert toppbredde er større enn tillatt toppbredde, vil verdien erstattes med maksimal tillatt HR (for positive topper) eller minimal tillatt HR (for negative topper). Maksimal tillatt HR vil bli beregnet med følgende formel: "209-(0,7×(Deltaker alder))". Minimum tillatt HR vil være 60 bpm. Etter å ha fjernet unormale topper, vil signalet bli filtrert med et gaussisk filter med en sigma lik 1. Etter HR-signalfiltreringsprosessen vil det oppnådde rensede HR-signalet bli brukt til å klassifisere deltakerens stress innenfor følgende nivåer: "ingen stress", "mildt stress", "moderat stress" og "høyt stress". Hvert stressnivå vil referere til et HR-signal plassert innenfor et spesifikt verdiområde. "Ingen stress"-nivået vil inkludere HR-verdiene under 90 % av det rensede HR-signalets laveste topp. Hvis denne HR-verdien er lavere enn "High stress"-nivået vil omfatte verdier over 90 % av det rensede HR-signalets høyeste topp. Hvis denne verdien er over maksimal tillatt HR, erstattes den med 90 % av maksimal tillatt HR-verdi. Området som er igjen mellom disse to tersklene vil bli delt i to like deler (nedre og øvre halvdel). HR-dataene plassert i den nedre halvdelen av dette området vil bli klassifisert som "mild stress" og de som er plassert i den øvre halvdelen som "moderat stress". Hver HR-verdi vil bli klassifisert og tildelt en numerisk verdi som tilsvarer et stressnivå ("ingen stress" = 0, "mild stress" = 1, "moderat stress" = 2, og "høy stress" = 3). Etter å ha innhentet sekvensene av stressnivåene til alle deltakerne i fase én, vil sekvensene til forsøkspersonene i OG og CG bli sammenlignet ved å bruke en versjon av Smith-Waterman-algoritmen tilpasset for analysen av de oppnådde dataene.

Fase to

Dataene samlet inn av SWS fra deltakere som er registrert i fase to vil bli analysert som beskrevet ovenfor, og en DL-algoritme vil bli utviklet for å forutsi de innkommende deltakernes stressnivåer. For å finne CB-mønstre blant forsøkspersoner, vil det bli konstruert en klassifisering basert på overvåket læring for å finne anomalier i emnets data som kan indikere på CB som er i ferd med å oppstå. En algoritme for langtidsminne (LSTM) vil bli lært opp til å gjenkjenne datamønstre som tilsvarer CBs forekomst ved å bruke dataene samlet inn av deltakernes omsorgspersoner gjennom atferdsdagboken og informasjonen samlet inn i fase én. LSTM er en utvidelse av det tilbakevendende nevrale nettverket (RNN). I motsetning til andre applikasjoner av Machine Learning (ML) og DL, i prosessen med å analysere og forutsi tidsserieinformasjon, er hvert datapunkt basert på tidligere informasjon, som også må undersøkes. RNN er det mest brukte nettverket for tidsserieapplikasjoner siden det kan danne målvektoren ved å observere gjeldende inngangsdatahistorikk, ved å bruke delte vekter blant gjemmeenhetene i nettverket på tvers av hvert tidstrinn i dataene. Forfatterne velger LSTM, ikke RNN, fordi RNN har et betydelig forsvinningsgradientproblem. Gradienten av utgangsfeil er basert på tidligere innganger forsvinner når tidsforsinkelser mellom innganger og feil øker. For å overvinne dette problemet introduseres LSTM. LSTM har et minne som kommer til praksis ved å erstatte de ikke-lineære enhetene til RNN i de skjulte lagene med minneblokker. Nettverket sprer feil gjennom hele nettverket, og som et resultat kan det lære seg langsiktige avhengigheter og glemme unødvendig informasjon basert på dataene som er tilgjengelig. Nøyaktigheten til prediksjonsmodellen vil bli beregnet i henhold til standard estimeringsmetoder som forvirringsmatrisen og arealet under kurven (AUC) verdier. Disse verdiene varierer fra 0,5 til 1, hvor 1 er perfekt klassifisering og 0,5 er ikke bedre enn flaks.

Fase tre

Temaene som vil komme frem fra fokusgruppen vil bli hentet ut fra diskusjonstranskripsjonen. Aksial kodingsstrategi vil bli brukt for å beregne omfanget av hver temadiskusjon. Denne kvalitative dataanalysen består av å tildele et referansenummer til hvert tema og deretter merke en setning relatert til det temaet med det nummeret. En pålitelighetssjekk for samsvar mellom kode og setning vil bli brukt ved å gi listen over koder til en uavhengig forsker med erfaring i kvalitativ analyse og be ham identifisere setningen som samsvarer med hver kode. Graden av enighet til summeringssvar på forskningsspørsmålene vil bli oppnådd ved å beregne prosentandelen av deltakerne som er enige i den foreslåtte påstanden. Forfatterne vil diskutere de utviklede svarene i lys av de relevante fremkomne temaene og graden av enighet i diskusjonsgruppen.