[논문 리뷰] Detecting Signatures of Early-stage Dementia with Behavioural Models Derived from Sensor Data

Rafael Poyiadzi, Weisong Yang외 6명|arXiv (Cornell University)|2020. 07. 03.

Context-Aware Activity Recognition Systems참고 문헌 23인용 수 7

한 줄 요약

이 연구는 가정 내 센서 데이터를 활용한 기계학습 파이프라인을 제안하여 경도인지장애(MCI) 및 알츠하이머병(AD)의 조기 행동 징후를 탐지한다. 수면 품질, 외상 행동, 간병인과의 공존(공동 존재)의 종단적 패턴을 분석함으로써, 환자와 건강한 대조군 간의 미세한 차이—예를 들어 야간 활동 증가 및 더 높은 국소화 복잡성—을 식별하여, 실생활 환경에서 조기 치매 진행을 자동으로 탐지할 잠재적 가능성을 입증한다.

ABSTRACT

There is a pressing need to automatically understand the state and progression of chronic neurological diseases such as dementia. The emergence of state-of-the-art sensing platforms offers unprecedented opportunities for indirect and automatic evaluation of disease state through the lens of behavioural monitoring. This paper specifically seeks to characterise behavioural signatures of mild cognitive impairment (MCI) and Alzheimer's disease (AD) in the extit{early} stages of the disease. We introduce bespoke behavioural models and analyses of key symptoms and deploy these on a novel dataset of longitudinal sensor data from persons with MCI and AD. We present preliminary findings that show the relationship between levels of sleep quality and wandering can be subtly different between patients in the early stages of dementia and healthy cohabiting controls.

연구 동기 및 목표

• 가정 내 센서 데이터를 활용하여 경도인지장애(MCI) 및 알츠하이머병(AD)의 조기 행동 징후를 식별하기 위해.
• 임상적 인지 테스트의 한계를 극복하기 위해 일상 행동을 지속적이고 비침습적으로 실생활에서 모니터링할 수 있도록 하기 위해.
• 외상 행동, 수면 장애, 간병인과의 지속적 공존(그림자 행동)과 같은 주요 증상들을 질병 진행의 지표로 모델링하기 위해.
• 행동 모니터링에서 분포 이탈과 순차적 데이터 구조를 고려한 기계학습 프레임워크를 개발하기 위해.
• 분야 지식 기반의 데이터 증강을 통해 향후 데이터 수집 및 임상 통합을 위한 기초 행동 패턴을 설정하기 위해.

제안 방법

• 참가자들의 주거지에 저비용이며 침습성이 없는 센서(예: 운동 감지, RSSI) 네트워크를 구축하여 종단적 행동 데이터를 수집하였다.
• 이동 예측의 예측 불가능성과 복잡성을 측정하기 위해 렘펠츠-지브 복잡도 측정법을 사용하여 외상 행동의 지표로 삼았다.
• 행동 데이터의 순차적 성격을 모델링하고 시간적 의존성을 포착하기 위해 조건부 랜덤 필드(CRF)를 적용하였다.
• 학습 데이터와 테스트 데이터의 분포를 일치시켜 모델의 일반화 능력을 향상시키기 위해 최대 평균 차이(MMD)를 활용하였다.
• 일상 활동(ADLs)의 분야 지식을 통합하여 학습 데이터를 풍부화하고 모델의 해석 가능성을 향상시켰다.
• RSSI 및 운동 데이터를 분석하여 주로 0–6시 사이 수면 품질과 야간 활동 수준을 추론하였다.

실험 결과

연구 질문

• RQ1 가정 내 센서 데이터에서 유도된 행동 패턴은 표준 인지 테스트보다 조기 단계의 MCI 및 AD를 더 신뢰성 있게 탐지할 수 있는가?
• RQ2 MCI/AD를 가진 개인과 건강한 대조군 간에 수면 장애 수준, 외상 행동 수준, 간병인과의 공존 수준은 어떻게 다를까?
• RQ3 행동 복잡성(예: 위치 예측 불가능성)이 조기 치매 진행의 생물학적 지표로 얼마나 유용한가?
• RQ4 학습 데이터와 테스트 데이터 간의 분포 이탈이 실생활 환경에서 행동 모델의 성능에 어떤 영향을 미치는가?
• RQ5 분야 지식 기반의 데이터 증강은 조기 치매에서의 미세한 행동 변화 탐지에 향상 효과를 줄 수 있는가?

주요 결과

• MCI 및 AD 환자는 건강한 동거인 대조군에 비해 특히 침실 2번에서 야간 활동 수준이 유의미하게 높았으며, 이는 수면 패턴의 교란을 시사한다.
• AD 환자가 있는 하우스 B에서는 8개의 시간 구간 중 8개에서 환자의 국소화 복잡성이 파artner보다 높았으며, 이는 더 불규칙한 이동 패턴을 의미한다.
• MCI 환자가 있는 하우스 A에서는 8개 시간 구간 중 5개에서 환자의 활동 수준이 대조군보다 높았지만, 그 차이가 덜 두드러져 경미한 행동 교란을 시사한다.
• RSSI 데이터는 수면 자세 변화로 인한 단계적 변화와 누락 값이 발생했으며, 이는 야간 이동 증가와 수면 품질 악화와 관련이 있었다.
• 하우스 A의 MCI 환자는 여러 날 동안 6시 이전에 움직이기 시작하여 조기 수면 시작 또는 야간 불안정성을 시사한다.
• 본 연구는 저비용 센서 데이터에서 수면 장애와 외상 행동 복잡성과 같은 행동 생물학적 지표를 신뢰성 있게 추출할 수 있음을 입증하며, 향후 자동 탐지 시스템의 기초를 마련한다.