[논문 리뷰] Predicting Infant Motor Development Status using Day Long Movement Data from Wearable Sensors

David Goodfellow, Ruoyu Zhi외 4명|arXiv (Cornell University)|2018. 07. 07.

Infant Development and Preterm Care인용 수 8

한 줄 요약

이 연구는 유아의 발목에 부착된 웨어러블 가속도계에서 수집한 하루 종일 관성 센서 데이터를 사용하여 일반적 발달(TD) 또는 위험군(AR) 발달을 기계학습으로 예측한다. 0–6개월 영아에서 70.75%의 정확도를 기록하며, 평균 오른쪽 다리 가속도가 2.26를 초과할 경우 일반적 발달의 강력한 예측자로 규명되었으며, 이는 연속적인 운동 모니터링이 조기 발달 위험 탐지에 잠재적 가능성을 보여준다.

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.

연구 동기 및 목표

• 하루 종일의 움직임 패턴이 유아의 운동 발달 상태(TD 대비 AR)를 예측할 수 있는지 확인하는 것.
• 전체 일일 센서 데이터에서 가장 발달 경로를 예측하는 데 기여하는 운동역학적 특징을 특정하는 것.
• 임상의가 조기에 발달 지연을 탐지하는 데 활용할 수 있는 해석 가능한 기계학습 모델을 개발하는 것.
• 기존 임상 도구보다 조기에 신경운동 장애를 탐지할 수 있는 연속적인 센서 모니터링의 가능성을 탐색하는 것.

제안 방법

• 다리 따뜻이 감는 패딩이 있는 부착대를 사용해 유아의 발목에 부착된 Opal 웨어러블 센서에서 하루 종일의 관성 운동 데이터를 수집하였다.
• 검증된 알고리즘을 사용해 원시 가속도계, 자이로스코프, 자석계 데이터를 사전 처리하여 개별 다리의 운동을 탐지하고 19개의 운동 특징을 추출하였다.
• 운동 횟수, 지속 시간, 평균 가속도, 최대 가속도의 네 가지 범주에서 각 다리 및 총합에 대해 특징을 추출하였다.
• 발달 변화와 주요 기준점의 출현으로 인해 데이터를 두 나이 그룹(0–6개월 및 6–12개월)으로 분할하였다.
• 정확도와 임상적 해석 가능성의 균형을 고려해 앙상블 방법과 해석 가능한 결정 트리(J48/C4.5)를 포함한 여러 이진 분류 모델을 훈련하고 비교하였다.
• 모든 샘플을 제외한 교차 검증(leave-one-out cross-validation)을 사용하고, 정확도를 성능 평가 지표로 삼으며, 임상적 관련성을 고려해 모델의 해석 가능성에 중점을 두었다.

실험 결과

연구 질문

• RQ1 웨어러블 센서에서 수집한 하루 종일의 운동 데이터로 일반적 발달(TD)을 보이는 유아와 발달 지연 위험이 있는 유아(AR)를 신뢰성 있게 구분할 수 있는가?
• RQ2 12개월 미만의 유아에서 연속적인 센서 데이터의 어떤 운동역학적 특징이 발달 상태를 가장 잘 예측하는가?
• RQ3 조기 유아기(0–6개월)와 후기 유아기(6–12개월)에서 모델 성능는 어떻게 달라지며, 그 이유는 무엇인가?
• RQ4 해석 가능한 기계학습 모델, 예를 들어 결정 트리와 같은 모델이 조기에 위험을 예측하기 위해 임상적으로 의미 있는 임계값을 식별할 수 있는가?
• RQ5 센서 기반 분류 기법이 현재의 임상 도구인 앨버타 유아 운동 척도(AIMS)에 비해 조기 발달 이상을 탐지하는 데 얼마나 향상될 수 있는가?

주요 결과

• 앙상블 모델은 0–6개월 영아의 TD 또는 AR 분류에서 70.75%의 정확도를 기록하여 기준선을 뛰어넘었다.
• 0–6개월 영아 그룹에서 J48 결정 트리 모델은 오직 오른쪽 다리의 평균 가속도(m_acc_r)만 예측자로 식별하였으며, 2.261074를 초과하는 값은 항상 일반적 발달을 나타내었다.
• 6–12개월 연령 그룹에서는 모델 성능이 저하되어 이 발달 창에서 운동 패턴 간의 겹침 또는 분류 가능성이 감소했음을 시사했다.
• 연구 결과, AR 유아의 운동 패턴은 조기 유아기(0–6개월)에는 TD 유아와 더 명확히 다를 수 있었지만, 시간이 지남에 따라 이 차이가 약화되었다.
• 해석 가능한 결정 트리 모델은 일반적 발달의 바이오마커로 작용할 수 있는 잠재적 임계값(2.261074)을 평균 오른쪽 다리 가속도에서 식별함으로써 임상적 통찰을 제공하였다.
• 결과적으로, 연속적이고 전일적인 웨어러블 센서 데이터는 신경운동 위험 조기 탐지에 유망한 도구로 활용될 수 있으며, 이는 조기 간병 개입 가능성을 높일 수 있다.