[論文レビュー] Detecting Activities of Daily Living and Routine Behaviours in Dementia Patients Living Alone Using Smart Meter Load Disaggregation

Carl Chalmers, Paul Fergus+4 more|arXiv (Cornell University)|Mar 18, 2019

Context-Aware Activity Recognition Systems参考文献 30被引用数 11

ひとこと要約

本論文では、負荷分解と機械学習を用いた、非侵襲的でスマートメーターに基づくシステムを提案し、単身で生活する認知症患者の日常生活動作（ADL）およびルーティンの変化を検出する。実世界のスマートメーターデータを用いてSVMおよびランダムデシジョンフォレスト分類器を適用した結果、家電の検出において高い精度（AUC=0.9429、感度=0.9634）を達成し、早期の行動変化検出が可能となり、的確なケア介入が可能となる。

ABSTRACT

The emergence of an ageing population is a significant public health concern. This has led to an increase in the number of people living with progressive neurodegenerative disorders like dementia. Consequently, the strain this is places on health and social care services means providing 24-hour monitoring is not sustainable. Technological intervention is being considered, however no solution exists to non-intrusively monitor the independent living needs of patients with dementia. As a result many patients hit crisis point before intervention and support is provided. In parallel, patient care relies on feedback from informal carers about significant behavioural changes. Yet, not all people have a social support network and early intervention in dementia care is often missed. The smart meter rollout has the potential to change this. Using machine learning and signal processing techniques, a home energy supply can be disaggregated to detect which home appliances are turned on and off. This will allow Activities of Daily Living (ADLs) to be assessed, such as eating and drinking, and observed changes in routine to be detected for early intervention. The primary aim is to help reduce deterioration and enable patients to stay in their homes for longer. A Support Vector Machine (SVM) and Random Decision Forest classifier are modelled using data from three test homes. The trained models are then used to monitor two patients with dementia during a six-month clinical trial undertaken in partnership with Mersey Care NHS Foundation Trust. In the case of load disaggregation for appliance detection, the SVM achieved (AUC=0.86074, Sen=0.756 and Spec=0.92838). While the Decision Forest achieved (AUC=0.9429, Sen=0.9634 and Spec=0.9634). ADLs are also analysed to identify the behavioural patterns of the occupant while detecting alterations in routine.

研究の動機と目的

• 介護者に依存せずに、認知症患者が単身で生活する状況を非侵襲的かつスケーラブルにモニタリングするソリューションの開発。
• スマートメーターのデータを用いて、食事や飲酒などの日常生活動作（ADL）を検出すること。
• 臨床的悪化の兆候としての、ルーティン行動からの逸脱を早期に特定すること。
• 実際の家庭環境における負荷分解の精度を評価するための機械学習モデルの評価。
• 自動化された行動モニタリングにより、早期の臨床的介入を可能にすることで、独立した生活を支援すること。

提案手法

• 信号処理を用いてスマートメーターの負荷分解を行い、個々の家電の使用パターンを特定する。
• サポートベクターマシン（SVM）およびランダムデシジョンフォレスト分類器を用いて、家電のオン／オフ状態を検出する。
• 6か月間にわたり3軒の実宅で収集したデータを用いて、モデルの学習と検証を行う。
• 受信者操作特性（ROC）分析を用いて、AUC、感度、特異度の指標でモデルの性能を評価する。
• 家電レベルのイベントを、食事、飲酒、ルーティン行動の変化といった上位レベルのADLにマッピングする。
• メルシー・ケアNHSファウンデーション・トラストと提携し、2名の認知症患者に対する臨床的導入とモニタリングを実施。

実験結果

リサーチクエスチョン

• RQ1 スマートメーターの負荷分解は、実際の家庭環境において、個々の家電の使用状況を正確に検出できるか？
• RQ2 機械学習モデルは、単身で生活する認知症患者の正常な行動パターンと異常な行動パターンを区別できるか？
• RQ3 家電レベルのデータをどの程度活用して、上位レベルの日常生活動作（ADL）を推定できるか？
• RQ4 SVMおよびランダムデシジョンフォレスト分類器は、認知症患者のルーティンの逸脱を検出するためにどの程度効果的か？
• RQ5 このシステムは、介護者に依存せずに、臨床的悪化の早期検出を可能にするか？

主な発見

• ランダムデシジョンフォレスト分類器はSVMを上回る性能を示し、AUCが0.9429、感度が0.9634、特異度が0.9634を達成した。
• SVMモデルはAUCが0.86074、感度が0.756、特異度が0.92838を示し、ランダムデシジョンフォレストに比べてやや低いが良好な性能を示した。
• 家電の使用パターンを用いて、ルーティン行動の変化を成功裏に検出でき、潜在的な臨床的悪化の早期特定が可能となった。
• 6か月間の臨床試験において、2名の認知症患者を対象に実世界環境での実用性が示された。
• スマートメーターのデータを用いた負荷分解は、単身で生活する認知症患者のADLを継続的にモニタリングするためのスケーラブルで非侵襲的な手法を提供する。
• 結果から、プライバシーを守りつつ自動化されたモニタリングが可能であり、介護者への依存を軽減し、早期の臨床的介入を支援できることが示唆された。