[論文レビュー] Detecting Signatures of Early-stage Dementia with Behavioural Models Derived from Sensor Data

Rafael Poyiadzi, Weisong Yang+6 more|arXiv (Cornell University)|Jul 3, 2020

Context-Aware Activity Recognition Systems参考文献 23被引用数 7

ひとこと要約

本研究では、自宅内センサーのデータを用いた機械学習パイプラインを提案し、軽度認知障害（MCI）およびアルツハイマー病（AD）の早期行動的兆候を検出することを目的としている。睡眠の質、徘徊、介護者との共存位置関係の縦断的パターンを分析することで、患者と健常対照群との間に、夜間の活動増加や位置特定の複雑性の上昇といった微細な差が生じることを同定した。これにより、自動化された、現実世界における認知症進行の早期検出の可能性が示された。

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.

研究の動機と目的

• 自宅内センサーのデータを用いて、軽度認知障害（MCI）およびアルツハイマー病（AD）の早期行動的兆候を同定すること。
• 臨床的認知テストの限界を克服し、日常行動の継続的で非侵襲的かつ現実世界でのモニタリングを可能にすること。
• 徘徊、睡眠障害、介護者との恒常的共存（シャドーイング）といった主要な症状を、病態進行の指標としてモデル化すること。
• 行動監視における分布シフトと順序データ構造を考慮した機械学習フレームワークの開発。
• 分野に裏付けられたデータ拡張を用いて、将来的なデータ収集と臨床統合のための基本行動パターンを確立すること。

提案手法

• 参加者の自宅に低コストで侵襲性の低いセンサー（例：運動、RSSI）のネットワークを設置し、縦断的な行動データを収集した。
• 位置予測の予測不能性と複雑性を測定するため、Lempel-Ziv複雑度を用い、徘徊行動の代理指標とした。
• 行動データの順序的性質をモデル化し、時間的依存性を捉えるために条件付きラベル場（CRF）を適用した。
• 訓練データとテストデータの分布を統合し、異なる参加者間でのモデル一般化を向上させるために、最大平均差分（MMD）を用いた。
• 日常生活動作（ADLs）からの分野知識を統合し、トレーニングデータを豊かにするとともに、モデルの解釈性を向上させた。
• RSSIおよび運動データを分析し、特に0–6時の時間帯に睡眠の質と夜間活動レベルを推定した。

実験結果

リサーチクエスチョン

• RQ1 自宅内センサーの行動パターンは、標準的な認知テストよりも、早期のMCIおよびADをより信頼性高く検出できるか？
• RQ2 MCI/ADを有する者と健常対照群との間で、睡眠障害、徘徊、介護者との共存のレベルにどのような差が生じるか？
• RQ3 行動の複雑性（例：位置の予測不能性）が、認知症進行の初期段階のバイオマーカーとしてどの程度有効に機能するか？
• RQ4 訓練データとテストデータの間の分布シフトが、現実世界の行動モデルの性能にどのように影響を与えるか？
• RQ5 分野に裏付けられたデータ拡張は、早期認知症における微細な行動変化の検出を向上させることができるか？

主な発見

• MCIおよびADを有する患者は、健常な同居対照群と比較して、特に寝室2において、夜間活動レベルが顕著に高かった。これは、睡眠パターンの乱れを示唆している。
• ADを有する参加者がいる戸建住宅Bでは、8つの時間セグメント中8つすべてで、患者の局所化複雑度がパートナーを上回った。これは、より不規則な移動パターンを示している。
• MCIを有する参加者がいる戸建住宅Aでは、8セグメント中5つで患者の活動レベルが対照群を上回ったが、差はやや明確でなかった。これは、行動への影響がやや軽度である可能性を示唆している。
• RSSIデータから、睡眠姿勢の変化に伴い段階的変化と欠損値が観察された。これらは、夜間の活動増加と睡眠質の低下と相関していた。
• 住宅AのMCI患者は、複数日で6時以前に活動を開始しており、これは早期の睡眠開始または夜間の不安定さの兆候である可能性がある。
• 本研究では、睡眠障害や徘徊の複雑性といった行動バイオマーカーが、低コストセンサーのデータから信頼性高く抽出可能であることが示された。これにより、将来的な自動検出システムの基盤が築かれた。