Undersampling and Cumulative Class Re-decision Methods to Improve Detection of Agitation in People with Dementia

要約

興奮は認知症の人（PwD）に最もよく見られる症状の 1 つであり、自分自身と介護者の安全を危険にさらす可能性があります。
客観的な動揺検出アプローチを開発することは、住宅環境で暮らす障害者の健康と安全をサポートするために重要です。
以前の研究では、17 人の参加者からマルチモーダル ウェアラブル センサー データを 600 日間収集し、1 分間のウィンドウで動揺を検出するための機械学習モデルを開発しました。
ただし、データセットには、不均衡の問題や、動揺の発生が通常の行動に比べてはるかにまれであるため、ラベルが不正確になる可能性など、重大な制限があります。
この論文では、まず不均衡の問題を解消するためにさまざまなアンダーサンプリング手法を実装しました。そして、通常の行動データの 20% だけが競合的撹拌検出モデルをトレーニングするのに十分であるという結論に達しました。
次に、あいまいな時間間隔の仮定を考慮して、手動ラベル付けメカニズムを評価するための加重アンダーサンプリング方法を設計しました。
その後、動揺の歴史的連続情報と連続性特性に基づいて累積クラス再決定(CCR)の後処理方法が提案され、動揺検出システムの潜在的な応用に対する意思決定パフォーマンスが向上しました。
結果は、アンダーサンプリングと CCR を組み合わせることで、より少ないトレーニング時間とデータで F1 スコアとその他の指標がさまざまな程度に改善されることを示しました。

要約(オリジナル)

Agitation is one of the most prevalent symptoms in people with dementia (PwD) that can place themselves and the caregiver’s safety at risk. Developing objective agitation detection approaches is important to support health and safety of PwD living in a residential setting. In a previous study, we collected multimodal wearable sensor data from 17 participants for 600 days and developed machine learning models for detecting agitation in one-minute windows. However, there are significant limitations in the dataset, such as imbalance problem and potential imprecise labelsas the occurrence of agitation is much rarer in comparison to the normal behaviours. In this paper, we first implemented different undersampling methods to eliminate the imbalance problem, and came to the conclusion that only 20% of normal behaviour data were adequate to train a competitive agitation detection model. Then, we designed a weighted undersampling method to evaluate the manual labeling mechanism given the ambiguous time interval assumption. After that, the postprocessing method of cumulative class re-decision (CCR) was proposed based on the historical sequential information and continuity characteristic of agitation, improving the decision-making performance for the potential application of agitation detection system. The results showed that a combination of undersampling and CCR improved F1-score and other metrics to varying degrees with less training time and data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google