[論文レビュー] Semi-supervised Learning for Identifying the Likelihood of Agitation in People with Dementia

Roonak Rezvani, Samaneh Kouchaki+3 more|arXiv (Cornell University)|May 14, 2021

Dementia and Cognitive Impairment Research被引用数 5

ひとこと要約

本論文では、自己教師付き表現学習とベイジアンアンサンブル分類を組み合わせた半教師あり機械学習モデルを提案し、在宅センサーのデータを用いて認知症患者のけいれんリスクを検出する。96軒の家庭の不顕在的センサーのデータで訓練されたモデルは、最先端の手法と比較して再現率とF1スコアで20%の向上を達成し、不均衡で現実的かつ実世界のデータにおいて優れた性能と一般化能力を示した。

ABSTRACT

Interpreting the environmental, behavioural and psychological data from in-home sensory observations and measurements can provide valuable insights into the health and well-being of individuals. Presents of neuropsychiatric and psychological symptoms in people with dementia have a significant impact on their well-being and disease prognosis. Agitation in people with dementia can be due to many reasons such as pain or discomfort, medical reasons such as side effects of a medicine, communication problems and environment. This paper discusses a model for analysing the risk of agitation in people with dementia and how in-home monitoring data can support them. We proposed a semi-supervised model which combines a self-supervised learning model and a Bayesian ensemble classification. We train and test the proposed model on a dataset from a clinical study. The dataset was collected from sensors deployed in 96 homes of patients with dementia. The proposed model outperforms the state-of-the-art models in recall and f1-score values by 20%. The model also indicates better generalisability compared to the baseline models.

研究の動機と目的

• 認知症患者のけいれん検出における限られたおよび不均衡な臨床的ラベルの課題に対処すること。
• ラベル付きおよびラベルなしの在宅センサーのデータを活用する機械学習モデルを開発し、けいれんリスクの検出を向上させること。
• ノイズが多く不規則なデータが特徴の実世界の制御不能な家庭環境において、モデルの一般化能力を向上させること。
• 真のけいれん発作への感受性を向上させることで、臨床モニタリングシステムにおける誤報を低減すること。
• 行動変化の自動的かつ連続的なモニタリングを通じて、独立した生活支援と早期臨床介入を可能とすること。

提案手法

• 2段階のモデルを提案：まず、自己教師付きのコントラスト学習フレームワークが、ラベルなしのセンサー時系列から意味のある表現を抽出する。
• 得られた表現を、限られたラベル付きデータで訓練されたベイジアンアンサンブル分類器の入力として使用する。
• 96軒の家庭のデータセットを用い、10分割交差検証でモデルを訓練する。センサーとして、受動赤外線、運動、ドアセンサーを用いる。
• 自己教師付き部は、時系列窓間の不変特徴を学ぶためにコントラスト的データ拡張を用いる。
• ベイジアンアンサンブルは、複数の弱学習器を組み合わせることで、不均衡データにおける不確実性推定と耐性を向上させる。
• 性能評価には、適合率、再現率、F1スコア、ROC-AUC、PR-REC AUCを用い、クラスの不均衡に起因する再現率とF1スコアに特に注目する。

実験結果

リサーチクエスチョン

• RQ1 限られたラベル付きデータしかない状況で、半教師あり学習アプローチが認知症患者のけいれん検出を改善できるか？
• RQ2 けいれん発作がまれな不均衡データセットにおいて、提案モデルはどのように性能を示すか？
• RQ3 以前に観測されていなかった家庭からの新しい、未観測のデータに、どの程度一般化できるか？
• RQ4 自己教師付き表現学習は、ノイズが多く構造のない在宅センサーのデータからの特徴抽出を向上させられるか？
• RQ5 ベイジアンアンサンブル部は、標準的な分類器と比較して、耐性を高め、誤検出を減らすか？

主な発見

• 提案モデルは、同じデータセット上で最先端のモデルと比較して、再現率とF1スコアの両方で20%の向上を達成した。
• モデルは優れた一般化性能を示し、7,309日分の新しい独立テストコホートにおいて、顕著に少ない誤報を生成した。
• ホールドアウトテストセットでは、LSTM、BiLSTM、VGG、ResNet、Inception、ランダムフォレスト、SVM、ガウス過程を含むすべてのベースラインモデルを上回った。
• モデルは再現率0.59、F1スコア0.59を達成し、ランダムフォレスト（再現率：0.26、F1：0.37）とSVM（再現率：0.20、F1：0.31）を上回った。
• PR-REC AUCが0.51であることは、大多数のベースラインと比較して適合率と再現率のバランスが優れていることを示している。
• 新コホートにおけるモデルの性能は、真のけいれん発作を検出する能力に優れ、過剰な誤報を伴わないという耐性と一般化能力の裏付けを示している。