[論文レビュー] Machine Learning and Social Robotics for Detecting Early Signs of Dementia

Patrik Jonell, Joseph R. Mendelson+13 more|arXiv (Cornell University)|Sep 5, 2017

Social Robot Interaction and HRI参考文献 24被引用数 5

ひとこと要約

本論文では、機械学習およびソーシャルロボティクスを活用して、標準化された神経心理学的テストと非言語的行動の分析を通じて、アルツハイマー病の早期兆候を検出するための身体的で社会的なロボットシステム、EACareプロジェクトを提示する。このシステムは、臨床医と患者の対話を通じて得られるデータを活用し、頻回で家庭での評価を可能にすることで、早期診断の向上と、対話の適応およびマルチモーダルセンシングによる継続的な認知機能モニタリングを実現する。

ABSTRACT

This paper presents the EACare project, an ambitious multi-disciplinary collaboration with the aim to develop an embodied system, capable of carrying out neuropsychological tests to detect early signs of dementia, e.g., due to Alzheimer's disease. The system will use methods from Machine Learning and Social Robotics, and be trained with examples of recorded clinician-patient interactions. The interaction will be developed using a participatory design approach. We describe the scope and method of the project, and report on a first Wizard of Oz prototype.

研究の動機と目的

• 繰り返しの神経心理学的テストを用いて、早期のアルツハイマー病の兆候を検出できる、身体的で家庭用のシステムを開発すること。
• 稀な臨床訪問では見逃されがちな微細で一時的な認知症症状を捉えることで、早期診断を改善すること。
• 家庭での定期的で自動化された認知機能評価および訓練を通じて、予防的介入を支援すること。
• 視線、発話の抑揚、および一時停止などの、言語的および非言語的行動的兆候を診断推論に統合すること。
• スケーラブルで使いやすいシステムを構築し、豊富な縦断的データを通じて臨床医の監視を強化すること。

提案手法

• ユーザーの関与を高めるために、適応的対話とゲーム化を備えた身体的エージェントを構築するための参加型デザインアプローチを採用する。
• Kinect、Tobii視線トラッカー、RGB-D動画を用いたマルチモーダルセンシングにより、顔の表情、視線、身体の動きなどの非言語的兆候を捉える。
• 生成的確率的ディープラーニングモデルを用いて、認識されたおよび生成された非言語的信号を下位の認知状態にマッピングする。
• 診断的推論（言語的および非言語的コミュニケーションを含む）をモデル化するため、記録済みの臨床医-患者対話データを用いてシステムを訓練する。
• 解釈可能性を高めるとともに、訓練データの必要量を削減するために、臨床的専門知識と論理的推論をモデルに埋め込む。
• インタラクションデザインの評価および将来的な自動化システム開発のためのデータ収集を目的として、Wizard of Ozプロトタイプを用いる。

実験結果

リサーチクエスチョン

• RQ1 身体的で社会的なロボットシステムは、家庭環境において標準化された神経心理学的テストを効果的に提供し、早期アルツハイマー病を検出できるか？
• RQ2 視線、発話の抑揚、および一時停止といった非言語的行動的兆候の中で、早期アルツハイマー病の検出に最も有用なものは何か？
• RQ3 機械学習モデルは、テスト成績と非言語的信号のマルチモーダルな統合をどのように行い、診断の正確性を向上させられるか？
• RQ4 高齢者、特にアルツハイマー病のリスクを有する高齢者において、長期的なユーザーの関与と受容性を確保するための設計原則は何か？
• RQ5 臨床的診断的推論を、自動化システムの実装に適した構造的かつ計算可能なスクリプトに形式化する方法は何か？

主な発見

• EACareプロジェクトでは、将来的な自動化デプロイのためのインタラクションデザインの評価およびデータ収集を目的として、Wizard of Ozプロトタイプを開発した。
• 視線、発話の一時停止、抑揚といった非言語的行動は、現代のセンシング技術および機械学習技術を用いて捉えられ、分析可能な主要な診断的指標であることが同定された。
• 生成的確率的ディープラーニングモデルは、臨床的知識の統合と解釈可能性の向上を実現するとともに、訓練データの必要量を削減するのに有効であることが示された。
• 本システムにより、頻回で家庭での認知機能評価が可能となり、一時的または微細な初期症状の検出可能性が向上した。
• 予備的な結果から、高齢者ユーザーは、有用で楽しいと感じられる場合、認知機能テストおよび日常的なモニタリングの支援としてロボットの支援を歓迎することが示唆された。
• 本プロジェクトでは、早期の設計段階からのユーザー参加が、技術の放棄を防ぎ、長期的なシステム受容性を確保するために不可欠であることが明らかになった。