[论文解读] Predicting Infant Motor Development Status using Day Long Movement Data from Wearable Sensors

David Goodfellow, Ruoyu Zhi+4 more|arXiv (Cornell University)|Jul 7, 2018

Infant Development and Preterm Care被引用 8

一句话总结

本研究利用可穿戴加速度计在婴儿脚踝处采集的全天惯性传感器数据，通过机器学习预测婴儿的典型发育（TD）或发育风险（AR）。在0–6个月大的婴儿中，分类准确率达到70.75%，并发现右腿平均加速度超过2.26是典型发育的强预测因子，凸显了持续运动监测在早期发育风险检测中的潜力。

ABSTRACT

Infants with a variety of complications at or before birth are classified as being at risk for developmental delays (AR). As they grow older, they are followed by healthcare providers in an effort to discern whether they are on a typical or impaired developmental trajectory. Often, it is difficult to make an accurate determination early in infancy as infants with typical development (TD) display high variability in their developmental trajectories both in content and timing. Studies have shown that spontaneous movements have the potential to differentiate typical and atypical trajectories early in life using sensors and kinematic analysis systems. In this study, machine learning classification algorithms are used to take inertial movement from wearable sensors placed on an infant for a day and predict if the infant is AR or TD, thus further establishing the connection between early spontaneous movement and developmental trajectory.

研究动机与目标

• 确定全天可穿戴惯性传感器获取的运动模式是否能够预测婴儿的运动发育状态（TD与AR）。
• 识别来自全天传感器数据的哪些运动学特征最能预测发育轨迹。
• 开发可解释的机器学习模型，使临床医生能够用于支持发育迟缓的早期检测。
• 探索利用连续传感器监测在现有临床工具之前更早检测神经运动障碍的可行性。

提出的方法

• 使用带有口袋的保暖护腿袜将Opal可穿戴传感器固定在婴儿脚踝上，采集全天惯性运动数据。
• 采用经过验证的算法对原始加速度计、陀螺仪和磁力计数据进行预处理，以检测单个肢体运动并提取19项运动特征。
• 从四个类别中提取特征：运动次数、持续时间、平均加速度和峰值加速度，涵盖单侧肢体和整体数据。
• 由于发育变化和里程碑出现，将数据按两个年龄组划分（0–6个月和6–12个月）。
• 训练并比较多种二分类模型，包括集成方法和可解释决策树（J48/C4.5），以在准确率与临床可解释性之间取得平衡。
• 采用留一法交叉验证，并以准确率为评估指标，重点关注模型的可解释性以提升临床相关性。

实验结果

研究问题

• RQ1 可穿戴传感器获取的全天运动数据是否能可靠地区分典型发育（TD）与发育风险（AR）的婴儿？
• RQ2 来自连续传感器数据的哪些运动学特征最能预测12个月以下婴儿的发育状态？
• RQ3 模型性能在早期婴儿期（0–6个月）与后期婴儿期（6–12个月）之间有何差异，原因是什么？
• RQ4 可解释的机器学习模型（如决策树）是否能识别出用于早期风险预测的临床有意义的运动特征阈值？
• RQ5 基于传感器的分类在多大程度上可优于当前临床工具（如阿尔伯塔婴儿运动量表，AIMS）来检测早期发育异常？

主要发现

• 集成模型在0–6个月大婴儿中对TD与AR的分类准确率达到70.75%，显著优于基线模型。
• 对于0–6个月大的婴儿，J48决策树模型仅识别出右腿平均加速度（m_acc_r）为预测因子，其值超过2.261074时始终提示典型发育。
• 在6–12个月年龄组中，模型性能下降，表明此发育阶段运动模式的重叠增加或可区分性降低。
• 研究发现，AR婴儿的运动模式在早期婴儿期（0–6个月）与TD婴儿的差异更明显，但这种差异随时间推移而减弱。
• 可解释的决策树模型通过识别出右腿平均加速度的潜在阈值（2.261074）提供了临床洞见，该阈值或可作为典型发育的生物标志物。
• 结果支持使用连续的全天可穿戴传感器数据作为早期检测神经运动风险的有前景工具，可能实现更早干预。