[论文解读] 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 7

一句话总结

本研究提出了一种基于家庭内传感器数据的机器学习流程，用于检测轻度认知障碍（MCI）和阿尔茨海默病（AD）的早期行为特征。通过分析睡眠质量、游荡行为及与照护者共处的纵向模式，作者识别出患者与健康对照组之间的细微差异，例如夜间活动增加和定位复杂性提高，表明该方法在自动化、真实世界环境中检测早期痴呆进展方面具有潜力。

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.

研究动机与目标

• 利用家庭内传感器数据识别轻度认知障碍（MCI）和阿尔茨海默病（AD）的早期行为特征。
• 通过实现对日常行为的持续、非侵入性、真实世界监测，克服临床认知测试的局限性。
• 将游荡、睡眠障碍和影随（与照护者持续共处）等关键症状建模为疾病进展的指标。
• 开发一种机器学习框架，以应对行为监测中数据分布偏移和序列数据结构的挑战。
• 利用领域知识驱动的数据增强方法，为未来数据采集和临床整合建立基线行为模式。

提出的方法

• 在参与者家中部署低成本、非侵入式传感器网络（如运动传感器、信号强度接收功率指示RSSI），以收集纵向行为数据。
• 使用Lempel-Ziv复杂度度量来量化位置预测的不可预测性和复杂性，作为游荡行为的代理指标。
• 采用条件随机场（CRF）对行为数据的序列性进行建模，捕捉时间依赖性。
• 应用最大均值差异（MMD）对齐训练与测试数据的分布，提升模型在不同参与者间的泛化能力。
• 整合日常生活活动（ADLs）的领域知识，以丰富训练数据并提升模型可解释性。
• 分析RSSI与运动数据，推断睡眠质量及夜间活动水平，尤其关注0–6 AM时段。

实验结果

研究问题

• RQ1 基于家庭内传感器数据提取的行为模式，是否能比标准认知测试更可靠地检测早期MCI和AD？
• RQ2 MCI/AD患者与健康对照组在睡眠障碍、游荡行为及与照护者共处水平上存在何种差异？
• RQ3 行为复杂性（如位置不可预测性）在多大程度上可作为早期痴呆进展的生物标志物？
• RQ4 训练与测试数据之间的分布偏移在真实世界环境中对行为模型性能产生何种影响？
• RQ5 基于领域知识的数据增强是否能提升对早期痴呆细微行为变化的检测能力？

主要发现

• 与健康同住对照组相比，MCI和AD患者在夜间活动水平（0–6 AM）显著更高，尤其在卧室2中表现明显，提示存在睡眠模式紊乱。
• 在B号房（AD患者所在家庭）中，患者在8个时间段内有7个时间段的定位复杂性高于其伴侣，表明其移动模式更具随机性。
• 在A号房（MCI患者所在家庭）中，患者在8个时间段中有5个时间段的活动水平高于对照组，尽管差异不显著，提示行为紊乱程度较轻。
• RSSI数据显示因睡眠姿势改变导致的阶跃变化和数据缺失，这些现象与夜间活动增加及睡眠质量下降相关。
• 在A号房中，MCI患者在多天的6点前即开始活动，提示可能存在早期入睡或夜间躁动。
• 本研究证明，诸如睡眠障碍和游荡复杂性等行为生物标志物可从低成本传感器数据中可靠提取，为未来自动化检测系统奠定基础。