Разработка и проверка системы прогнозирования проблемного поведения

Цели исследования

Текущий протокол состоит из трех этапов, каждый из которых преследует определенную цель. Первая цель состоит в том, чтобы оценить различия в физиологических реакциях, измеренных с помощью умной носимой рубашки (SWS), между взрослыми с высокофункциональным расстройством аутистического спектра (РАС) и обычно развитыми сверстниками. Вторая цель состоит в том, чтобы узнать, какие физиологические параметры могут лучше всего предсказать неизбежное начало вызывающего поведения (CB). Третьей целью является разработка системы, способной прогнозировать входящее возникновение CB в режиме реального времени и информировать лицо, осуществляющее уход, посредством уведомления о предупреждении, отправляемого в приложение для смартфона.

Дизайн исследования

Обсервационный дизайн исследования будет реализован на первых двух этапах текущего исследования. На первом этапе будут собираться и анализироваться физиологические реакции участников на два визуальных стимула. На втором этапе будут собраны физиологические характеристики CB, представленные людьми с РАС. Одно тематическое исследование со смешанными методами проектирования будет реализовано на третьем этапе, где будет проведено подтверждение концепции валидности системы.

Вопросы этики и безопасности

Предложение об исследовании было одобрено институциональным наблюдательным советом Университета Ариэля (AU-HEA-ML-20201203). Исследование будет проводиться в соответствии с принципами Хельсинкской декларации. При наборе у всех участников или их законных опекунов будет получено письменное информированное согласие. SWS, который планируется использовать в текущем протоколе, представляет собой неинвазивное медицинское устройство. Однако, если участник не переносит SWS, он может выйти из исследования в любое время без каких-либо последствий.

Участники

Согласно расчетному анализу размера выборки, группа из 20 человек с диагнозом высокофункциональный РАС в возрасте от 20 до 40 лет, проживающих дома (группа наблюдения - ОГ), а также контрольная группа (КГ) соответствующего возраста и пола из 20 типично развитых одноранговые узлы будут зарегистрированы в первой фазе протокола. Для второго этапа исследования будут набраны 10 человек с РАС с агрессивными или деструктивными CB в возрасте от 20 до 40 лет и их опекуны. Наконец, в третьем этапе исследования примет участие один участник с РАС в возрасте от 20 до 40 лет, посещающий специальную школу и проживающий дома, в котором проявляются агрессивные или разрушительные CB.

Процедура

Фаза первая - сравнение физиологических результатов людей с РАС и без них.

На первом этапе текущего протокола физиологические параметры людей в OG и CG будут получены с использованием SWS, в то время как участники просматривают два пятиминутных видео. Одно видео будет показывать расслабляющие изображения и воспроизводить расслабляющую музыку (расслабляющее видео). Во втором видео будут представлены впечатляющие уродства человеческого тела под тревожную музыку (тревожное видео). Оба видео будут представлены участнику в сидячем положении. Перед началом расслабляющего видео участнику будет предложено расслабиться и откинуться на спинку стула. Участник может закрыть глаза или держать их открытыми по своему усмотрению, чтобы способствовать расслаблению. Участников попросят не прислоняться к спинке стула и держать глаза открытыми во время просмотра тревожного видео. Первое видео, просмотренное каждым участником, будет выбрано случайным образом из двух видео. Продолжительность всего сеанса составит примерно 15 минут.

Фаза вторая. Классифицируйте вариации физиологических параметров у людей с РАС.

Каждый участник, зарегистрированный на втором этапе протокола, будет носить SWS в течение семи дней подряд в часы бодрствования, выполняя свои обычные повседневные действия. В течение тех же семи дней опекуны, ухаживающие за участником, сообщат о состоянии участника в поведенческом дневнике. Каждый вечер данные, собранные SWS, будут загружаться в онлайн-облако вместе с дневником поведения за день. После того, как данные от всех 10 участников будут собраны, будет разработан алгоритм глубокого обучения (DL) для изучения изменений физиологических параметров человека, которые происходят до CB, и прогнозирования будущего CB. Кроме того, будет разработано приложение для смартфона для получения данных SWS в режиме реального времени и отправки их на удаленный сервер, где они будут проанализированы с помощью разработанного алгоритма, а классифицированные события CB будут извлечены и представлены на экране уведомлений приложений. Другими словами: если алгоритм обнаруживает возможность входящего CB, на смартфон лица, осуществляющего уход, отправляется уведомление, чтобы сообщить о возможном появлении CB, что позволяет реализовать выбранную стратегию вмешательства.

Фаза третья — проверка концепции системы.

В течение одной недели разработанный прототип системы и его эффективность будут тестироваться на одном участнике с РАС в течение семи дней с медицинскими работниками и учителями в специальной школьной обстановке. Участник будет носить SWS в течение всего времени посещения спецшколы. По истечении семи дней КВЕСТ 2.0 будет проведен для каждого специалиста и учителя, которые будут взаимодействовать с системой, и с ними будет проведена фокус-группа для решения упомянутых выше вопросов исследования. Целью фокус-группы будет ответить на следующие вопросы исследования:

• Ношение смарт-рубашки расстроило участников?
• Была ли система в состоянии обнаружить все соответствующие CB?
• Была ли скорость работы системы достаточной для своевременного применения соответствующих профилактических стратегий?
• Уменьшило ли использование системы количество КБ?
• Какие улучшения можно внести в систему, чтобы повысить ее эффективность?

Информация, полученная от администрации QUEST 2.0, будет обсуждаться в рамках фокус-группы. В последней части фокус-группы группе будет предложено суммирование решений каждого исследовательского вопроса, и будет собрано количество участников, которые согласны или не согласны с предложенными суммирующими ответами.

Анализ данных

Первый этап

Данные, собранные SWS от участников OG и CG, будут проанализированы и сопоставлены. По полученным данным ЭКГ будет рассчитана частота сердечных сокращений (ЧСС) между двумя последовательными комплексами QRS. Принимая временной интервал между двумя комплексами QRS за «t», соответствующая временная ЧСС будет равна 60/t. Пороговое значение в процентах будет установлено с использованием метода скользящего окна, и будет определена минимально допустимая ширина пика для удаления нежелательных артефактов из HR. Процесс удаления будет выполняться для положительных и отрицательных пиков в два этапа. Окно будет наведено на сигнал ЧСС, и будет рассчитано его среднее значение. Максимальная (положительная и отрицательная) допустимая пиковая амплитуда будет определяться для каждого окна путем умножения медианного значения окна на пороговое значение. Пороговое значение для положительных пиков было установлено на уровне 30% (для первого раунда удаления) и 25% (для второго раунда удаления) от среднего значения окна. Пороговое значение было установлено для отрицательных пиков на уровне 50% (для первого раунда удаления) и 30% (для второго раунда удаления) от среднего значения окна. Затем в каждом окне будут идентифицированы все пики с амплитудой больше допустимого значения. Если один из этих пиков уже, чем минимально допустимая ширина пика, он будет заменен медианным значением эталонного окна. В противном случае, если идентифицированная ширина пика больше допустимой ширины пика, ее значение будет заменено максимально допустимым значением HR (для положительных пиков) или минимально допустимым значением HR (для отрицательных пиков). Максимально допустимый ЧСС будет рассчитываться по следующей формуле: «209-(0,7×(Участник возраст))". Минимально допустимая ЧСС будет 60 уд/мин. После удаления аномальных пиков сигнал будет отфильтрован фильтром Гаусса с сигмой, равной 1. После процесса фильтрации сигнала ЧСС полученный очищенный сигнал ЧСС будет использоваться для классификации стресса участника на следующих уровнях: «нет стресса», «легкий стресс», «умеренный стресс» и «высокий стресс». Каждый уровень стресса будет относиться к сигналу ЧСС, расположенному в определенном диапазоне значений. Уровень «без стресса» будет включать значения ЧСС ниже 90% от самого низкого пика очищенного сигнала ЧСС. Если это значение ЧСС ниже, чем Уровень «высокого стресса», он будет включать значения выше 90% от наивысшего пика очищенного сигнала ЧСС. Если это значение выше максимально допустимого значения ЧСС, оно заменяется на 90% максимально допустимого значения ЧСС. Диапазон, оставшийся между этими двумя порогами, будет разделен на две равные части (нижняя и верхняя половина). Данные ЧСС, расположенные в нижней половине этого диапазона, будут классифицироваться как «легкий стресс», а данные, расположенные в верхней половине, как «умеренный стресс». Каждому значению ЧСС будет присвоено числовое значение, соответствующее уровню стресса («нет стресса» = 0, «легкий стресс» = 1, «умеренный стресс» = 2 и «высокий стресс» = 3). После получения последовательностей уровней стресса всех участников первой фазы последовательности испытуемых в ОГ и КГ будут сравниваться с использованием версии алгоритма Смита-Уотермана, адаптированной для анализа полученных данных.

Второй этап

Данные, собранные SWS от участников, зачисленных на второй этап, будут проанализированы, как описано выше, и будет разработан алгоритм DL для прогнозирования уровня стресса у поступающих участников. Чтобы найти шаблоны CB среди субъектов, будет построен классификатор, основанный на обучении с учителем, для поиска аномалий в данных субъекта, которые могут указывать на CB, который вот-вот произойдет. Алгоритм долговременной памяти (LSTM) будет обучен распознавать шаблоны данных, соответствующие возникновению CB, с использованием данных, собранных опекунами участников через поведенческий дневник, и информации, собранной на первом этапе. LSTM является расширением рекуррентной нейронной сети (RNN). В отличие от других приложений машинного обучения (ML) и DL, в процессе анализа и прогнозирования информации временных рядов каждая точка данных основана на предыдущей информации, которую также необходимо изучить. RNN является наиболее часто используемой сетью для приложений временных рядов, поскольку она может формировать целевой вектор, наблюдая текущую историю входных данных, используя общие веса среди скрытых единиц сети на каждом временном шаге данных. Авторы выбирают LSTM, а не RNN, потому что RNN имеет серьезную проблему исчезающего градиента. Градиент выходной ошибки, основанный на предыдущих входных данных, исчезает, когда временные задержки между входными данными и ошибками увеличиваются. Чтобы преодолеть эту проблему, вводится LSTM. У LSTM есть память, которая реализуется путем замены нелинейных блоков RNN в скрытых слоях блоками памяти. Сеть распространяет ошибки по всей сети, и в результате она может выучить долгосрочные зависимости и забыть ненужную информацию на основе имеющихся данных. Точность модели прогнозирования будет рассчитываться в соответствии со стандартными методами оценки, такими как матрица путаницы и значения площади под кривой (AUC). Эти значения варьируются от 0,5 до 1, где 1 — идеальная классификация, а 0,5 — не больше, чем удача.

Третий этап

Темы, которые возникнут в фокус-группе, будут извлечены из стенограммы обсуждения. Стратегия осевого кодирования будет применяться для расчета объема обсуждения каждой темы. Этот качественный анализ данных состоит в том, что каждой теме присваивается номер ссылки, а затем помечается этим номером любое предложение, связанное с этой темой. Проверка надежности совпадений кода с предложением будет проводиться путем предоставления списка кодов независимому исследователю, имеющему опыт в качественном анализе, и просьбы его определить предложение, которое соответствует каждому коду. Уровень согласия с суммированием ответов на вопросы исследования будет получен путем подсчета процента участников, согласных с предложенным утверждением. Авторы обсудят разработанные ответы в свете актуальных возникших тем и уровня согласия дискуссионной группы.