[논문 리뷰] Semi-supervised Learning for Identifying the Likelihood of Agitation in People with Dementia

Roonak Rezvani, Samaneh Kouchaki외 3명|arXiv (Cornell University)|2021. 05. 14.

Dementia and Cognitive Impairment Research인용 수 5

한 줄 요약

이 논문은 자가학습 표현 학습과 베이지안 앙상블 분류를 결합한 준감독 학습 모델을 제안하여 가정 내 센서 데이터를 활용해 치매 환자에서의 분노 위험을 탐지한다. 96개 가정의 비침습적 센서 데이터로 훈련된 모델은 최신 기술 대비 재현율과 F1 점수에서 20% 향상되어, 불균형하고 실제 세계적인 데이터에서 뛰어난 성능과 일반화 능력을 입증한다.

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.

연구 동기 및 목표

• 치매 환자에서의 분노 탐지에 대해 부족하고 불균형한 임상 레이블 문제를 해결하기 위해.
• 레이블이 부족한 가정 내 센서 데이터와 레이블이 있는 데이터를 모두 활용해 분노 위험 탐지 성능을 향상시키는 기계학습 모델을 개발하기 위해.
• 소음이 많고 규칙적이지 않은 데이터를 포함한 실제 세계의 통제되지 않은 가정 환경에서 모델의 일반화 능력을 향상시키기 위해.
• 진짜 분노 발작에 민감하게 반응함으로써 임상 모니터링 시스템의 잘못된 경고를 줄이기 위해.
• 자동화되고 지속적인 행동 변화 모니터링을 통해 독립 생활과 조기 임상 간병을 지원하기 위해.

제안 방법

• 두 단계 모델이 제안된다: 첫 번째로, 자가학습 대비 학습 프레임워크가 레이블이 없는 센서 시퀀스에서 의미 있는 표현을 추출한다.
• 학습된 표현은 제한된 레이블 데이터로 훈련된 베이지안 앙상블 분류기의 입력으로 사용된다.
• 모델은 피assive 인프라레드, 동작, 문 센서가 포함된 96개 가정의 데이터셋을 10겹 교차 검증으로 훈련한다.
• 자기학습 구성 요소는 시간 창에 걸쳐 정적 특징을 학습하기 위해 대비 데이터 증강을 사용한다.
• 베이지안 앙상블은 다수의 약한 학습기들을 조합하여 불균형 데이터에서의 불확실성 추정과 강건성을 향상시킨다.
• 성능 평가에는 정밀도, 재현율, F1 점수, ROC-AUC, PR-REC AUC를 사용하며, 클래스 불균형으로 인해 재현율과 F1 점수에 특별한 중점을 둔다.

실험 결과

연구 질문

• RQ1 레이블이 제한된 경우에 준감독 학습 접근 방식이 치매 환자에서의 분노 탐지 성능을 향상시킬 수 있는가?
• RQ2 분노 발작이 드문 불균형 데이터셋에서 제안된 모델의 성능은 어떠한가?
• RQ3 이전에 관측되지 않은 가정의 새로운, 알려지지 않은 데이터에 대해 모델의 일반화 능력은 어느 정도인가?
• RQ4 자기학습 표현 학습이 소음이 많고 구조가 없는 가정 내 센서 데이터에서 특징 추출을 향상시킬 수 있는가?
• RQ5 베이지안 앙상블 구성 요소가 표준 분류기 대비 강건성을 향상시키고 거짓 경고를 줄일 수 있는가?

주요 결과

• 제안된 모델은 동일한 데이터셋에서 최신 기술 대비 재현율과 F1 점수에서 각각 20% 향상되었다.
• 모델은 새로운 독립 테스트 코hort(7,309일 분량)에서 유의미하게 더 적은 잘못된 경고를 생성함으로써 뛰어난 일반화 능력을 보였다.
• 보류 테스트 세트에서, 모델은 LSTM, BiLSTM, VGG, ResNet, Inception, 랜덤 포레스트, SVM, 가우시안 프로세스를 포함한 모든 베이스라인 모델을 능가했다.
• 모델은 재현율 0.59와 F1 점수 0.59를 기록했으며, 랜덤 포레스트(재현율: 0.26, F1: 0.37)와 SVM(재현율: 0.20, F1: 0.31)를 능가했다.
• 정밀도-재현율 곡선 아래 면적(PR-REC AUC)이 0.51로 대부분의 베이스라인보다 정밀도와 재현율의 균형이 더 우수함을 나타냈다.
• 신규 코hort에서의 성능은 모델의 강건성과 과적합 감소를 확인했으며, 특히 과도한 잘못된 경고 없이 진짜 분노 발작을 탐지하는 데서 두드러졌다.