Opracowanie i walidacja systemu przewidywania trudnych zachowań

Cele nauki

Obecny protokół składa się z trzech faz, z których każda ma określony cel. Pierwszym celem jest ocena różnic w reakcjach fizjologicznych mierzonych za pomocą Smart Wearable Shirt (SWS) między dorosłymi z wysoko funkcjonującymi zaburzeniami ze spektrum autyzmu (ASD) a typowo rozwiniętymi rówieśnikami. Drugim celem jest poznanie parametrów fizjologicznych, które najlepiej pozwalają przewidzieć zbliżający się początek trudnego zachowania (CB). Trzecim celem jest opracowanie systemu, który będzie w stanie przewidywać nadchodzące wystąpienie CB w czasie rzeczywistym i informować opiekuna poprzez powiadomienie o alarmie wysyłane do aplikacji na smartfona.

Projekt badania

Projekt badania obserwacyjnego zostanie wdrożony w pierwszych dwóch fazach obecnych badań. W fazie pierwszej zostaną zebrane i przeanalizowane reakcje fizjologiczne uczestników na dwa bodźce wzrokowe. W fazie drugiej zostaną zebrane cechy fizjologiczne CB prezentowane przez osoby z ASD. Pojedyncze studium przypadku z projektem opartym na metodach mieszanych zostanie wdrożone w fazie trzeciej, w której zostanie przeprowadzona weryfikacja słuszności koncepcji systemu.

Kwestie etyczne i bezpieczeństwa

Propozycja badań została zatwierdzona przez instytucjonalną komisję rewizyjną Uniwersytetu Ariel (AU-HEA-ML-20201203). Badanie zostanie przeprowadzone zgodnie z zasadami Deklaracji Helsińskiej. Podczas rekrutacji zbierana będzie pisemna świadoma zgoda od wszystkich uczestników lub ich opiekunów prawnych. Planowany do stosowania SWS w obecnym protokole jest nieinwazyjnym wyrobem medycznym. Jeśli jednak uczestnik nie toleruje SWS, może w każdej chwili wycofać się z badania bez żadnych konsekwencji.

Uczestnicy

Zgodnie z analizą liczebności próby, grupa 20 osób ze zdiagnozowanym wysokofunkcjonującym ASD w wieku od 20 do 40 lat mieszkających w domu (grupa obserwacyjna – OG) wraz z dopasowaną wiekowo i płcią grupą kontrolną (CG) składającą się z 20 typowo rozwinęła rówieśnicy zostaną zapisani w pierwszej fazie protokołu. Do drugiej fazy badania zostanie zatrudnionych 10 osób z ASD prezentujących agresywne lub destrukcyjne CB w wieku od 20 do 40 lat oraz ich opiekunów. Wreszcie, jeden uczestnik z ASD, w wieku od 20 do 40 lat, uczęszczający do szkoły specjalnej i mieszkający w domu, który wykazuje agresywne lub destrukcyjne CB, weźmie udział w trzeciej fazie badań.

Procedura

Faza pierwsza – porównanie między osobami z wynikami fizjologicznymi ASD i bez ASD.

W pierwszej fazie obecnego protokołu parametry fizjologiczne osób w OG i CG zostaną uzyskane za pomocą SWS, podczas gdy uczestnicy obejrzą dwa pięciominutowe filmy. Jeden film pokaże relaksujące obrazy i wyemituje relaksującą muzykę (relaksujące wideo). Drugi film zaprezentuje imponujące deformacje ludzkiego ciała, którym towarzyszyć będzie niespokojna muzyka (niepokojący film). Oba filmy zostaną zaprezentowane uczestnikowi w pozycji siedzącej. Przed rozpoczęciem relaksującego filmu uczestnik zostanie poproszony o relaks i oparcie się o oparcie krzesła. Uczestnik może zamknąć oczy lub pozostawić je otwarte według własnego uznania, aby sprzyjać odprężeniu. Uczestnicy zostaną poproszeni, aby nie opierać się o oparcie krzesła i mieć otwarte oczy podczas oglądania niepokojącego filmu. Pierwszy film obejrzany przez każdego uczestnika zostanie wybrany losowo spośród dwóch filmów. Czas trwania całej sesji wyniesie około 15 minut.

Faza druga – Klasyfikacja zmian parametrów fizjologicznych u osób z ASD.

Każdy uczestnik zapisany do fazy drugiej protokołu będzie nosił SWS przez siedem kolejnych dni w godzinach czuwania, wykonując swoje zwykłe codzienne czynności. W ciągu tych samych siedmiu dni opiekunowie opiekujący się uczestnikiem będą odnotowywać stan uczestnika w dzienniczku behawioralnym. Każdego wieczoru dane zebrane przez SWS będą przesyłane do chmury internetowej wraz z dziennym dziennikiem zachowań. Po zebraniu danych od wszystkich 10 uczestników zostanie opracowany algorytm głębokiego uczenia się (DL), aby poznać różnice w parametrach fizjologicznych danej osoby, które występują przed CB i przewidzieć przyszłe CB. Ponadto opracowana zostanie aplikacja na smartfony odbierająca dane SWS w czasie rzeczywistym i wysyłająca je na zdalny serwer, gdzie są one analizowane za pomocą opracowanego algorytmu, a sklasyfikowane zdarzenia CB będą wyodrębniane i prezentowane na ekranie powiadomień aplikacji. Innymi słowy: jeśli algorytm wykryje możliwość nadejścia CB, na smartfon opiekuna wysyłane jest powiadomienie informujące o możliwym nadejściu CB, umożliwiając tym samym wdrożenie wybranej strategii interwencji.

Faza trzecia — weryfikacja koncepcji systemu.

Przez tydzień opracowany prototyp systemu i jego skuteczność będą testowane na jednym uczestniku z ASD przez siedem dni z pracownikami służby zdrowia i nauczycielami w szkole specjalnej. Uczestnik będzie nosił SWS przez wszystkie godziny uczęszczania do szkoły specjalnej. Pod koniec tych siedmiu dni każdemu profesjonaliście i nauczycielowi, który będzie miał do czynienia z systemem, zostanie przeprowadzony test QUEST 2.0, z którym zostanie przeprowadzona grupa fokusowa, aby odpowiedzieć na wyżej wymienione pytania badawcze. Celem grupy fokusowej będzie znalezienie odpowiedzi na następujące pytania badawcze:

• Czy założenie smart-shirtu zdenerwowało uczestników?
• Czy system był w stanie wykryć wszystkie istotne CB?
• Czy szybkość działania systemu była wystarczająca, aby na czas zastosować odpowiednie strategie zapobiegawcze?
• Czy korzystanie z systemu zmniejszyło ilość CB?
• Jakie usprawnienia można zastosować w systemie, aby zwiększyć jego efektywność?

Informacje uzyskane od administracji QUEST 2.0 zostaną omówione w ramach grupy fokusowej. W ostatniej części grupy fokusowej grupie zostanie zaproponowane podsumowanie rozwiązań każdego pytania badawczego i zebrana zostanie liczba uczestników, którzy zgadzają się lub nie zgadzają się z proponowanymi odpowiedziami podsumowującymi.

Analizy danych

Faza pierwsza

Dane zebrane przez SWS od uczestników OG i CG zostaną przeanalizowane i porównane. Na podstawie otrzymanych danych EKG zostanie obliczona częstość akcji serca (HR) między dwoma kolejnymi zespołami QRS. Biorąc pod uwagę odstęp czasu między dwoma zespołami QRS jako „t”, odpowiadające tętno czasowe wyniesie 60/t. Procentowa wartość progowa zostanie ustawiona przy użyciu metody przesuwanego okna, a minimalna dozwolona szerokość piku zostanie zidentyfikowana w celu usunięcia niepożądanych artefaktów z HR. Proces usuwania zostanie przeprowadzony dla pików dodatnich i ujemnych w dwóch rundach. Okno zostanie przesunięte nad sygnałem HR i obliczona zostanie jego mediana. Maksymalna (dodatnia i ujemna) dozwolona amplituda szczytowa zostanie określona dla każdego okna przez pomnożenie wartości mediany okna przez wartość progową. Wartość progowa dla dodatnich pików została ustalona na 30% (dla pierwszej rundy usuwania) i 25% (dla drugiej rundy usuwania) średniej wartości okna. Wartość progowa została ustalona dla ujemnych pików na 50% (dla pierwszej rundy usuwania) i 30% (dla drugiej rundy usuwania) średniej wartości okna. Wtedy z każdego okna zostaną zidentyfikowane wszystkie piki o amplitudzie większej niż dozwolona. Jeśli jeden z tych pików jest węższy niż minimalna dozwolona szerokość piku, zostanie on zastąpiony wartością mediany okna odniesienia. W przeciwnym razie, jeśli zidentyfikowana szerokość piku jest większa niż dozwolona szerokość piku, jego wartość zostanie zastąpiona maksymalnym dozwolonym HR (dla pików dodatnich) lub minimalnym dozwolonym HR (dla pików ujemnych). Maksymalne dozwolone HR zostanie obliczone według następującego wzoru: „209-(0,7×(Uczestnik wiek))". Minimalne dozwolone tętno to 60 uderzeń na minutę. Po usunięciu nienormalnych pików sygnał zostanie przefiltrowany filtrem Gaussa o sigma równej 1. Po procesie filtracji sygnału HR, uzyskany oczyszczony sygnał HR zostanie wykorzystany do klasyfikacji stresu uczestnika w ramach następujących poziomów: „brak stresu”, „lekki stres”, „umiarkowany stres” i „wysoki stres”. Każdy poziom stresu będzie odnosił się do sygnału HR znajdującego się w określonym zakresie wartości. Poziom „bez stresu” będzie obejmował wartości HR poniżej 90% najniższego piku oczyszczonego sygnału HR. Jeśli ta wartość HR jest niższa niż poziom „wysokiego stresu” będzie zawierał wartości powyżej 90% najwyższego piku oczyszczonego sygnału HR. Jeśli ta wartość przekracza maksymalne dozwolone HR, jest zastępowana przez 90% maksymalnej dozwolonej wartości HR. Zakres pozostawiony pomiędzy tymi dwoma progami zostanie podzielony na dwie równe części (dolną i górną połowę). Dane HR umieszczone w dolnej połowie tego zakresu zostaną sklasyfikowane jako „łagodny stres”, a te umieszczone w górnej połowie jako „umiarkowany stres”. Każda wartość HR zostanie sklasyfikowana i przypisana jej wartość liczbowa odpowiadająca poziomowi stresu („brak stresu” = 0, „łagodny stres” = 1, „umiarkowany stres” = 2 i „wysoki stres” = 3). Po uzyskaniu sekwencji poziomów stresu wszystkich uczestników fazy pierwszej, sekwencje badanych w OG i CG zostaną porównane przy użyciu wersji algorytmu Smitha-Watermana przystosowanej do analizy uzyskanych danych.

Faza druga

Dane zebrane przez SWS od uczestników zapisanych do fazy drugiej zostaną przeanalizowane w sposób opisany powyżej, a algorytm DL zostanie opracowany w celu przewidywania poziomu stresu u przyjeżdżających uczestników. Aby znaleźć wzorce CB wśród badanych, zostanie skonstruowany klasyfikator oparty na nadzorowanym uczeniu się w celu znalezienia anomalii w danych podmiotu, które mogą wskazywać na CB, które ma się pojawić. Algorytm pamięci długoterminowej (LSTM) zostanie nauczony rozpoznawać wzorce danych odpowiadające występowaniu CB na podstawie danych zebranych przez opiekunów uczestników za pośrednictwem dziennika behawioralnego oraz informacji zebranych w fazie pierwszej. LSTM jest rozszerzeniem rekurencyjnej sieci neuronowej (RNN). W przeciwieństwie do innych zastosowań uczenia maszynowego (ML) i DL, w procesie analizy i przewidywania informacji o szeregach czasowych każdy punkt danych bazuje na wcześniejszych informacjach, które również muszą zostać zbadane. Sieć RNN jest najczęściej używaną siecią w aplikacjach szeregów czasowych, ponieważ może tworzyć wektor docelowy poprzez obserwację bieżącej historii danych wejściowych, wykorzystując współdzielone wartości wśród ukrywających się jednostek sieci w każdym kroku czasowym danych. Autorzy wybierają LSTM, a nie RNN, ponieważ RNN ma znaczący problem znikającego gradientu. Gradient błędu wyjściowego oparty na poprzednich danych wejściowych zanika, gdy zwiększa się opóźnienie czasowe między danymi wejściowymi a błędami. Aby przezwyciężyć ten problem, wprowadzono LSTM. LSTM ma pamięć, która w praktyce polega na zastąpieniu nieliniowych jednostek RNN ​​w warstwach ukrytych blokami pamięci. Sieć propaguje błędy w całej sieci, w wyniku czego może nauczyć się długoterminowych zależności i zapomnieć o niepotrzebnych informacjach na podstawie dostępnych danych. Dokładność modelu predykcyjnego zostanie obliczona zgodnie ze standardowymi metodami szacowania, takimi jak macierz zamieszania i wartości pola pod krzywą (AUC). Wartości te wahają się od 0,5 do 1, przy czym 1 oznacza doskonałą klasyfikację, a 0,5 nie jest lepsze niż szczęście.

Faza trzecia

Tematy, które wyłonią się z grupy fokusowej, zostaną wyodrębnione z transkrypcji dyskusji. Do obliczenia obszerności każdej dyskusji tematycznej zostanie zastosowana strategia kodowania osiowego. Ta jakościowa analiza danych polega na przypisaniu każdemu tematowi numeru referencyjnego, a następnie oznaczeniu tym numerem dowolnego zdania związanego z tym tematem. Zostanie zastosowana kontrola wiarygodności dopasowań kodu do zdania, przekazując listę kodów niezależnemu badaczowi doświadczonemu w analizie jakościowej i prosząc go o zidentyfikowanie zdania, które pasuje do każdego kodu. Poziom zgody na sumowanie odpowiedzi na pytania badawcze uzyskamy obliczając odsetek osób, które zgadzają się z proponowanym stwierdzeniem. Autorzy omówią opracowane odpowiedzi w świetle pojawiających się odpowiednich tematów i poziomu porozumienia grupy dyskusyjnej.