[논문 리뷰] Extended Report: Fine-grained Recognition of Abnormal Behaviors for Early Detection of Mild Cognitive Impairment

Daniele Riboni, Cláudio Bettini외 3명|arXiv (Cornell University)|2015. 01. 22.

Health, Environment, Cognitive Aging참고 문헌 17인용 수 7

한 줄 요약

이 논문은 노인 환자가 집에서 생활하는 동안 미묘한 이상 행동을 조기에 발견할 수 있도록, 비침습적인 스마트 홈 인fra구조에서 수집한 센서 데이터와 의료 모델 기반의 이상 행동 루틴을 융합한 하이브리드 통계-기호적 방법인 FABER을 제안한다. FABER는 지도 학습과 규칙 기반 추론을 통해 미세한 이질성을 탐지하며, 예를 들어 비정상적인 식사 시간이나 반복적인 하위행동과 같은 이상 징후를 고려하여 높은 재현율(>0.96)과 낮은 가짜 양성률(21일 동안 총 6건의 가짜 양성)을 달성한다.

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.

연구 동기 및 목표

• 노인 인구 증가에 따라 지속 가능한 의료 시스템을 유지하기 위한 과제를 해결하기 위해, 경도 인지 장애(MCI)의 조기 발견을 가능하게 하기 위해.
• 자기 보고나 거시적인 행동 지표에 의존하는 기존 방법의 한계를 극복하기 위해, 연속적인 모니터링과 미세한 진단 정보를 제공하지 못하는 문제를 해결하기 위해.
• 임상적으로 관련성이 있는 미세한 이상 징후를 일상 활동 루틴에서 조기에 탐지할 수 있는 비침습적이고 지속적인 모니터링 시스템을 개발하기 위해.
• 인지 신경과학적 통찰을 기반으로 한 이상 행동 모델링을 통해 의료 전문 지식과 퍼스베이브 컴퓨팅을 융합하기 위해.
• 설치된 스마트 홈 환경에서 수집한 대규모 데이터셋을 활용해 실제 환경 조건에서의 시스템 성능을 평가하기 위해.

제안 방법

• 시스템은 가정용 가전기기, 가구, 환경 조건과의 상호작용에 대한 저수준 데이터를 수집하기 위해 비침습적인 센서 기반 인fra구조를 활용한다.
• 활동 인식은 활동 경계와 순서를 가장 가능성이 높게 추론하기 위해 마르코프 논리망(MLN) 기반 기법을 사용한다.
• 이상 행동은 지도 학습, 규칙 기반 추론, 확률적 추론를 융합한 하이브리드 기호-통계적 접근 방식을 통해 탐지한다.
• 의료 전문 지식 기반으로 이상 징후를 모델링하며, 저수준의 이질성(예: 반복적인 하위행동)과 고수준 패턴(예: 식사 시 냉식사 섭취)을 모두 포함한다.
• 활동 인식 후 기호적 추론을 적용하여 비정상적인 시간대나 불필요한 반복과 같은 미세한 이상 징후를 탐지한다.
• 결과는 임상 해석을 위한 의료 기관에 전달되어 MCI의 조기 진단을 지원한다.

실험 결과

연구 질문

• RQ1 하이브리드 통계-기호적 방법이 노인 환자가 집에서 생활하는 동안의 일상 루틴에서 높은 정확도와 낮은 가짜 양성률로 미세한 이상 행동을 탐지할 수 있는가?
• RQ2 MCI 관련 행동 변화의 의료 모델을 센서 기반 퍼스베이브 컴퓨팅과 융합함으로써 조기 진단에 얼마나 효과적인가?
• RQ3 활동 경계 탐지 오류가 이상 징후 인식 성능에 미치는 영향은 어느 정도이며, 이를 완화할 수 있는가?
• RQ4 시스템은 임상 의사결정을 지원하기에 충분한 정밀도로 중요한 이상 징후와 비중요한 이상 징후를 구분할 수 있는가?
• RQ5 자연스러운 행동을 보이는 스마트 홈 환경에서의 실제 장기 모니터링 상황에서 시스템은 어떤 성능을 보이는가?

주요 결과

• FABER는 모든 이상 징후에 대해 재현율이 0.96를 초과하여, 중요한 행동과 비중요한 행동 모두에 대한 강력한 탐지 능력을 보였다.
• 두 참가자 그룹에 걸쳐 21일간의 연속 모니터링 기간 동안 총 6건의 가짜 양성만 발생하여 낮은 가짜 양성률을 입증했다.
• 활동 경계 탐지 오류로 인해 비중요한 이상 징후에 대해 정밀도가 다소 낮게 나타났지만, 전체적으로 정밀도는 약 0.9에 수렴했다.
• 더 복잡한 이상 징후를 보인 그룹(그룹 2)에서는 가짜 음성 사례가 전혀 관찰되지 않아, 심각한 행동 이질성 탐지에 대한 뛰어난 내성성을 입증했다.
• 가짜 양성은 주로 활동 경계 탐지 오류로 인한 예측 오류에서 기인했으며, 향후 센서 커버리지나 활동 인식 모델의 개선으로 오류를 추가로 감소시킬 수 있음을 시사했다.
• 임상의의 초진 평가 결과, 특히 조기 MCI 증상 탐지에 있어 탐지된 이상 징후의 임상적 관련성이 높다는 데 공감대가 형성되었다.