[論文レビュー] Extended Report: Fine-grained Recognition of Abnormal Behaviors for Early Detection of Mild Cognitive Impairment

Daniele Riboni, Cláudio Bettini+3 more|arXiv (Cornell University)|Jan 22, 2015

Health, Environment, Cognitive Aging参考文献 17被引用数 7

ひとこと要約

本稿では、高齢者が自宅で生活する際の微細な異常行動を認識するためのハイブリッド統計的・記号的手法FABERを提案する。この手法は、非侵襲的なスマートホームインfra構造からのセンサデータと、異常行動ルーチンの医療モデルを組み合わせ、教師あり学習とルールベース推論を用いて、不規則な食事時間や繰り返しのサブアクティビティといった微細な異常を検出する。実世界のスマートホーム実験において、高い再現率（>0.96）と低水準の誤検出率（21日間で6件の誤検出）を達成した。

ABSTRACT

According to the World Health Organization, the rate of people aged 60 or more is growing faster than any other age group in almost every country, and this trend is not going to change in a near future. Since senior citizens are at high risk of non communicable diseases requiring long-term care, this trend will challenge the sustainability of the entire health system. Pervasive computing can provide innovative methods and tools for early detecting the onset of health issues. In this paper we propose a novel method to detect abnormal behaviors of elderly people living at home. The method relies on medical models, provided by cognitive neuroscience researchers, describing abnormal activity routines that may indicate the onset of early symptoms of mild cognitive impairment. A non-intrusive sensor-based infrastructure acquires low-level data about the interaction of the individual with home appliances and furniture, as well as data from environmental sensors. Based on those data, a novel hybrid statistical-symbolical technique is used to detect the abnormal behaviors of the patient, which are communicated to the medical center. Differently from related works, our method can detect abnormal behaviors at a fine-grained level, thus providing an important tool to support the medical diagnosis. In order to evaluate our method we have developed a prototype of the system and acquired a large dataset of abnormal behaviors carried out in an instrumented smart home. Experimental results show that our technique is able to detect most anomalies while generating a small number of false positives.

研究の動機と目的

• 高齢者人口の増加に伴う医療制度の持続可能性の課題に対処し、軽度認知障害（MCI）の早期検出を可能にする。
• 自己報告や粗い行動マーカーに依存する従来の手法の限界を克服し、継続的モニタリングと微細な診断的詳細を提供する。
• 微細で臨床的に関連する異常行動を、自宅での日常的行動ルーチンに着目して、非侵襲的かつ継続的モニタリングで検出するシステムを開発する。
• 認知神経科学的知見に基づく異常行動のモデリングを通じて、医療専門知識とパーソナライズドコンピューティングを統合する。
• インストルメンテッドスマートホームで収集された大規模データセットを用いて、実世界の条件下でのシステム性能を評価する。

提案手法

• 本システムは、家電製品、家具、環境状態との相互作用に関する低レベルデータを収集する非侵襲的センサインfra構造を採用する。
• アクティビティ認識には、マーキョフ論理ネットワーク（MLN）に基づく手法を用い、最も確率の高いアクティビティ境界とシーケンスを推定する。
• 異常行動の検出には、教師あり学習、ルールベース推論、確率的推論を統合したハイブリッド記号的・統計的アプローチを採用する。
• 臨床的専門知識に基づいて異常をモデリングし、低レベルの逸脱（例：繰り返しのサブアクティビティ）と高レベルのパターン（例：冷たい食事を摂取する）の両方を含む。
• アクティビティ認識の後に記号的推論を適用し、不適切なタイミングや不要な繰り返しといった微細な異常を検出する。
• 結果は医療機関に送信され、臨床的解釈が行われ、MCIの早期診断を支援する。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド統計的・記号的アプローチは、自宅で生活する高齢者の日常的行動ルーチンにおける微細な異常行動を、高い正確性と低誤検出率で検出可能か？
• RQ2 MCI関連行動変化の医療モデルとセンサベースのパーソナライズドコンピューティングを統合することで、早期検出にどの程度有効か？
• RQ3 アクティビティ境界検出の誤りが異常認識性能に与える影響はどの程度か？また、これを緩和できるか？
• RQ4 本システムは、臨床的意思決定を支援するために、重要でない異常と重要な異常を十分な精度で区別できるか？
• RQ5 自然な行動を示すスマートホーム環境において、長期にわたる実世界の監視シナリオで、本システムはどの程度の性能を示すか？

主な発見

• FABERは、すべての異常において再現率が0.96を超えており、重要でない行動を含む微細な異常の検出能力が優れていることが示された。
• 2つの参加者グループにわたる21日間の継続的モニタリングにおいて、誤検出は合計6件にとどまり、低誤検出率であることが確認された。
• 精度は約0.9であったが、非重要な異常についてはアクティビティ境界検出の誤りによりやや低かった。
• より複雑な異常を示したグループ（グループ2）では、誤検出は観察されず、重要な行動逸脱を検出するうえで堅牢であることが示された。
• 誤検出の主な原因は、アクティビティ境界検出の誤予測であったため、より良いセンサカバレッジまたはアクティビティ認識モデルの改善により、誤りをさらに低減できる可能性がある。
• 臨床医による予備的評価では、検出された異常の臨床的関連性が支持されており、特に早期MCI症状の同定に有効であるとされた。