[論文レビュー] Predicting Infant Motor Development Status using Day Long Movement Data from Wearable Sensors

David Goodfellow, Ruoyu Zhi+4 more|arXiv (Cornell University)|Jul 7, 2018

Infant Development and Preterm Care被引用数 8

ひとこと要約

本研究では、乳児の足首に装着したウェアラブル加速度計からの1日分の慣性センサデータを用いて、通常発達（TD）または発達リスクあり（AR）の運動発達を機械学習で予測する。0〜6か月の乳児において70.75%の精度を達成し、右脚の平均加速度が2.26を超えることが通常発達の強力な予測要因であると特定した。これは、継続的な運動モニタリングが発達リスクを早期に検出する可能性を示している。

ABSTRACT

Infants with a variety of complications at or before birth are classified as being at risk for developmental delays (AR). As they grow older, they are followed by healthcare providers in an effort to discern whether they are on a typical or impaired developmental trajectory. Often, it is difficult to make an accurate determination early in infancy as infants with typical development (TD) display high variability in their developmental trajectories both in content and timing. Studies have shown that spontaneous movements have the potential to differentiate typical and atypical trajectories early in life using sensors and kinematic analysis systems. In this study, machine learning classification algorithms are used to take inertial movement from wearable sensors placed on an infant for a day and predict if the infant is AR or TD, thus further establishing the connection between early spontaneous movement and developmental trajectory.

研究の動機と目的

• ウェアラブル慣性センサからの1日分の運動パターンが、乳児の運動発達状態（TD 対 AR）を予測可能かどうかを検証すること。
• 24時間のセンサデータから得られる運動学的特徴のうち、発達経路を最もよく予測するものは何かを特定すること。
• 臨床医が使用可能な解釈可能な機械学習モデルを開発し、発達遅延の早期発見を支援すること。
• 現在の臨床ツールよりも早期に神経運動障害を検出可能な継続的センサモニタリングの実現可能性を検討すること。

提案手法

• 乳児の足首にポケット付きのレッグウォーマーで固定したOpalウェアラブルセンサから、1日分の慣性運動データを収集した。
• 検証済みのアルゴリズムを用いて、生の加速度計、ジャイロスコープ、磁気センサデータを前処理し、個々の脚の運動を特定し、19の運動特徴を抽出した。
• 運動回数、持続時間、平均加速度、ピーク加速度の4つのカテゴリーに分類し、片脚ごとおよび全体の特徴を抽出した。
• 発達的変化と発達マイルストーンの出現に伴い、データを2つの年齢群（0〜6か月、6〜12か月）に分割した。
• 精度と臨床的解釈可能性の両立を図るため、アンサンブル手法と解釈可能な意思決定木（J48/C4.5）を含む複数の二値分類モデルを訓練・比較した。
• LOOCV（1人を除いた交差検証）を用い、性能を精度で評価した。特に臨床的意義のある解釈可能性に重点を置いた。

実験結果

リサーチクエスチョン

• RQ1 ウェアラブルセンサからの24時間分の運動データは、通常発達（TD）と発達リスクあり（AR）の乳児を信頼性高く区別できるか？
• RQ2 12か月未満の乳児における継続的センサデータから得られる運動学的特徴のうち、発達状態を最もよく予測するのはどれか？
• RQ3 早期乳児期（0〜6か月）と後期乳児期（6〜12か月）におけるモデルの性能はどのように異なり、その理由は何か？
• RQ4 解釈可能な機械学習モデル（例：意思決定木）は、臨床的意味を持つ閾値を運動特徴から特定できるか？
• RQ5 センサベースの分類は、現在の臨床ツール（例：アルバータ乳児運動尺度（AIMS））に比べて、発達の逸脱を早期に検出するのにどの程度向上できるか？

主な発見

• アンサンブルモデルは、0〜6か月の乳児をTDまたはARに分類する際、70.75%の精度を達成し、ベースラインを顕著に上回った。
• 0〜6か月の乳児において、J48意思決定木モデルは右脚の平均加速度（m_acc_r）を唯一の予測要因として特定し、2.261074を超える値は常に通常発達を示した。
• 6〜12か月の年齢群では、モデルの性能が低下し、この発達的期間における運動パターンの重なりや識別性の低下が示唆された。
• 本研究では、AR乳児の運動パターンが早期乳児期（0〜6か月）ではTD乳児と明確に異なっていたが、時間経過とともにその差が薄れた。
• 解釈可能な意思決定木モデルにより、右脚の平均加速度の臨床的意味のある閾値（2.261074）を特定し、通常発達のバイオマーカーとしての可能性を示した。
• 結果は、継続的かつ24時間分のウェアラブルセンサデータが、神経運動リスクの早期検出に有望なツールであることを支持しており、早期介入の可能性を高める。