具有挑战性的行为预测系统的开发和验证

学习目标

目前的协议包括三个阶段，每个阶段都有一个特定的目标。 第一个目标是评估患有高功能自闭症谱系障碍 (ASD) 的成年人与发育正常的同龄人之间使用智能可穿戴衬衫 (SWS) 测量的生理反应的差异。 第二个目标是了解哪些生理参数可以最好地预测即将发生的挑战行为 (CB)。 第三个目标是开发一个系统，能够实时预测 CB 的发生，并通过智能手机应用程序发送的警报通知通知护理人员。

学习规划

观察性研究设计将在当前研究的前两个阶段实施。 在第一阶段，将收集和分析参与者对两种视觉刺激的生理反应。 在第二阶段，将收集 ASD 患者 CB 的生理特征。 混合方法设计的单一案例研究将在第三阶段实施，届时将执行系统有效性概念验证。

道德和安全问题

该研究提案获得了 Ariel 大学机构审查委员会 (AU-H​​EA-ML-20201203) 的批准。 该研究将按照赫尔辛基宣言的原则进行。 在招募时，将从所有参与者或其法定监护人那里收集书面知情同意书。 计划在当前协议中使用的 SWS 是一种非侵入性医疗设备。 但是，如果参与者不能容忍 SWS，他可以随时退出研究而不会产生任何影响。

参加者

根据样本量计算分析，一组 20 名被诊断患有高功能自闭症的受试者，年龄在 20 至 40 岁之间，住在家里（观察组 - OG）以及年龄和性别匹配的 20 名典型对照组（CG）对等点将在第一个协议阶段注册。 在研究的第二阶段，将招募 10 名年龄在 20 至 40 岁之间且表现出攻击性或破坏性 CB 的 ASD 患者及其护理人员。 最后，一名患有 ASD 的参与者，年龄在 20 至 40 岁之间，就读于特殊学校并住在家中，表现出攻击性或破坏性的 CB，将参与研究的第三阶段。

程序

第一阶段 - 比较患有和未患有 ASD 的人的生理结果。

对于当前协议的第一阶段，将使用 SWS 获取 OG 和 CG 中人员的生理参数，同时参与者观看两个五分钟的视频。 一个视频将显示放松的图像并发出放松的音乐（放松视频）。 第二个视频将呈现令人印象深刻的人体畸形，伴随着焦虑的音乐（令人不安的视频）。 两个视频都将以坐姿呈现给参与者。 在开始放松视频之前，参与者将被邀请放松并靠在椅子的靠背上。 参与者可以自行决定闭上眼睛或睁开眼睛以促进放松。 在观看令人不安的视频期间，参与者将被要求不要靠在椅背上并睁大眼睛。 每个参与者观看的第一个视频将在两个视频之间随机选择。 整个会议的持续时间约为 15 分钟。

第二阶段 - 对 ASD 患者的生理参数变化进行分类。

每个参加协议第二阶段的参与者都将在醒着的时候连续 7 天佩戴 SWS，进行他通常的日常活动。 在同一 7 天内，照顾参与者的护理人员将在行为日记中报告参与者的状态。 每天晚上，SWS 收集的数据将与当天的行为日志一起上传到在线云中。 收集完所有 10 名参与者的数据后，将开发深度学习 (DL) 算法，以了解个人生理参数在 CB 之前发生的变化并预测未来的 CB。 此外，将开发一款智能手机应用程序以实时接收 SWS 数据并将其发送到远程服务器，在远程服务器上通过开发的算法对其进行分析，然后提取分类的 CB 事件并将其显示在应用程序的通知屏幕上。 换句话说：如果算法检测到 CB 的可能性，则会向护理人员的智能手机发送通知，告知 CB 可能出现，从而能够实施所选的干预策略。

第三阶段 - 系统概念验证。

在为期一周的时间里，开发的系统原型及其功效将在一名患有 ASD 的参与者身上进行为期 7 天的测试，并在特殊学校环境中与医疗保健专业人员和教师一起进行测试。 参加者将在特殊学校的所有上课时间内佩戴 SWS。 在 7 天结束时，QUEST 2.0 将对与系统交互的每位专业人员和教师进行管理，并将与他们进行焦点小组讨论，以解决上述研究问题。 焦点小组将旨在回答以下研究问题：

• 穿着智能衬衫会让参与者不高兴吗？
• 系统是否能够检测到所有相关的 CB？
• 系统运行速度是否足以及时应用适当的预防策略？
• 系统的使用是否减少了CB的数量？
• 可以对系统进行哪些改进以提高其有效性？

从 QUEST 2.0 管理中获得的信息将在焦点小组中进行讨论。 在焦点小组的最后部分，将向小组提出每个研究问题的解决方案的总结，并收集同意或不同意所提出的总结答案的参与者人数。

数据分析

第一阶段

SWS 从 OG 和 CG 的参与者那里收集的数据将被分析和比较。 根据收到的 ECG 数据，将计算两个连续 QRS 复合波之间的心率 (HR)。 将两个 QRS 复合波之间的时间间隔视为“t”，相应的时间 HR 将为 60/t。 将使用滑动窗口方法设置百分比阈值，并确定允许的最小峰宽以从 HR 中去除不需要的伪影。 去除过程将分两轮对正负峰进行。 将在 HR 信号上滑动一个窗口，并计算其中值。 将通过将窗口的中值乘以阈值来确定每个窗口的最大（正和负）允许峰值振幅。 正峰的阈值设置为窗口平均值的 30%（对于第一轮移除）和 25%（对于第二轮移除）。 将负峰的阈值设置为窗口平均值的 50%（对于第一轮移除）和 30%（对于第二轮移除）。 然后，所有幅度大于允许值的峰值将从每个窗口中识别出来。 如果其中一个峰比允许的最小峰宽窄，它将被替换为参考窗口中值。 否则，如果识别出的峰宽大于允许的峰宽，则其值将替换为最大允许 HR（对于正峰）或最小允许 HR（对于负峰）。 最大允许 HR 将使用以下公式计算：“209-(0.7×(参与者 年龄））”。 允许的最低心率将是 60 bpm。 去除异常峰值后，将使用 sigma 等于 1 的高斯滤波器对信号进行滤波。 经过 HR 信号过滤过程后，获得的清洁 HR 信号将用于将参与者的压力分为以下级别：“无压力”、“轻度压力”、“中度压力”和“高压力”。 每个压力水平将指位于特定值范围内的 HR 信号。 “无压力”级别将包括低于已清洁 HR 信号最低峰值 90% 的 HR 值。 如果此 HR 值低于“高压力”水平，将包含高于已清除 HR 信号最高峰 90% 的值。 如果此值高于最大允许 HR，则将其替换为最大允许 HR 值的 90%。 这两个阈值之间的范围将分为两个相等的部分（下半部分和上半部分）。 位于该范围下半部分的 HR 数据将被归类为“轻度压力”，而位于上半部分的 HR 数据将被归类为“中度压力”。 每个 HR 值将被分类并分配一个对应于压力水平的数值（“无压力”= 0，“轻度压力”= 1，“中等压力”= 2，“高压力”= 3）。 在获得第一阶段所有参与者的压力水平序列后，将使用适用于分析所获得数据的 Smith-Waterman 算法版本比较 OG 和 CG 中受试者的序列。

第二阶段

SWS 从第二阶段注册的参与者那里收集的数据将按上述方法进行分析，并将开发 DL 算法以预测即将到来的参与者的压力水平。 为了找到受试者之间的 CB 模式，将构建一个基于监督学习的分类器，以发现受试者数据中可能表明即将发生的 CB 的异常。 将使用参与者的护理人员通过行为日记收集的数据和第一阶段收集的信息，教授长短期记忆 (LSTM) 算法识别与 CB 发生相对应的数据模式。 LSTM 是递归神经网络 (RNN) 的扩展。 与机器学习 (ML) 和 DL 的其他应用相比，在分析和预测时间序列信息的过程中，每个数据点都基于先前的信息，这些信息也必须进行检查。 RNN 是时间序列应用程序中最常用的网络，因为它可以通过观察当前输入数据历史来形成目标向量，在数据的每个时间步长上使用网络隐藏单元之间的共享权重。 作者选择了 LSTM，而不是 RNN，因为 RNN 存在明显的梯度消失问题。 当输入之间的时间滞后和错误增加时，输出错误的梯度基于先前的输入消失。 为了克服这个问题，引入了 LSTM。 LSTM有记忆，通过用记忆块代替RNN隐藏层的非线性单元来实践。 网络在整个网络中传播错误，因此，它可以学习长期依赖关系，并根据手头的数据忘记不必要的信息。 预测模型的准确性将根据标准估计方法计算，例如混淆矩阵和曲线下面积（AUC）值。 这些值的范围从 0.5 到 1，其中 1 是完美分类，0.5 不比运气好。

第三阶段

焦点小组提出的主题将从讨论记录中提取。 轴向编码策略将用于计算每个主题讨论的广泛性。 这种定性数据分析包括为每个主题分配一个参考编号，然后用该编号标记与该主题相关的任何句子。 通过将代码列表提供给在定性分析方面经验丰富的独立研究人员并要求他识别与每个代码匹配的句子，将应用代码到句子匹配的可靠性检查。 对研究问题的总和答案的同意程度将通过计算同意拟议陈述的参与者的百分比来获得。 作者将根据相关出现的主题和讨论组的一致程度讨论已开发的答案。