[论文解读] Semi-supervised Learning for Identifying the Likelihood of Agitation in People with Dementia

Roonak Rezvani, Samaneh Kouchaki+3 more|arXiv (Cornell University)|May 14, 2021

Dementia and Cognitive Impairment Research被引用 5

一句话总结

该论文提出了一种半监督机器学习模型，结合自监督表示学习与贝叶斯集成分类，利用家庭环境中的传感器数据检测痴呆患者的激越风险。该模型在96个家庭的非侵入式传感器数据上进行训练，相较于最先进方法，召回率和F1分数提高了20%，在类别不平衡的真实世界数据中展现出更优的性能与泛化能力。

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.

研究动机与目标

• 解决痴呆患者激越检测中临床标签有限且不平衡的挑战。
• 开发一种机器学习模型，利用有限的标注数据和大量未标注的家庭传感器数据，以提升激越风险的检测能力。
• 在数据嘈杂且不规则的真实家庭环境中，提升模型在非受控环境下的泛化能力。
• 通过提高对真实激越发作的敏感性，减少临床监测系统中的误报。
• 通过自动化、连续的行为变化监测，支持独立生活并实现早期临床干预。

提出的方法

• 提出一种两阶段模型：首先，采用自监督对比学习框架从未标注的传感器序列中提取有意义的表示。
• 然后，将学习到的表示作为输入，输入至在有限标注数据上训练的贝叶斯集成分类器。
• 模型在包含96个家庭的被动红外、运动和门磁传感器数据集上，采用10折交叉验证进行训练。
• 自监督组件使用对比数据增强技术，学习时间窗口内传感器数据的不变特征。
• 贝叶斯集成通过组合多个弱学习器，提升在类别不平衡数据上的不确定性估计与鲁棒性。
• 性能评估指标包括精确率、召回率、F1分数、ROC-AUC和PR-REC AUC，重点关注召回率与F1分数，以应对类别不平衡问题。

实验结果

研究问题

• RQ1 当仅有有限标注数据时，半监督学习方法是否能提升痴呆患者激越检测的性能？
• RQ2 在激越发作罕见的类别不平衡数据集上，所提模型表现如何？
• RQ3 该模型在先前未观测过的家庭中收集的新、未见数据上，泛化能力如何？
• RQ4 自监督表示学习是否能增强从嘈杂、非结构化的家庭传感器数据中提取特征的能力？
• RQ5 与标准分类器相比，贝叶斯集成组件是否能提升鲁棒性并减少误报？

主要发现

• 与同一数据集上的最先进模型相比，所提模型在召回率和F1分数上均提升了20%。
• 模型展现出更优的泛化能力，在7,309天的新独立测试队列中显著减少了误报数量。
• 在保留测试集上，该模型优于所有基线模型，包括LSTM、BiLSTM、VGG、ResNet、Inception、随机森林、SVM和高斯过程。
• 模型召回率为0.59，F1分数为0.59，优于随机森林（召回率：0.26，F1：0.37）和SVM（召回率：0.20，F1：0.31）。
• PR-REC AUC为0.51，表明其在精确率与召回率之间平衡优于大多数基线模型。
• 模型在新队列中的表现证实了其鲁棒性与更低的过拟合风险，尤其在不产生过多误报的前提下，能有效检测真实激越发作。