Deep learning and domain adaptation for autism spectrum disorder youth aggressive episode prediction

Abstract

Els joves amb Trastorn de l'Espectre Autista (TEA) sovint presenten un comportament impredictible i agressiu cap a altres persones o fins i tot cap a ells mateixos, aïllant-los de les activitats socials i educatives del dia a dia. El treball actual investiga si les dades fisiològiques i de moviment que precedeixen aquests episodis, mesurats per un biosensor al canell, poden predir episodis de comportament agressiu en joves amb TEA. Les dades utilitzades van ser proporcionades per la Northeastern University, i consisteixen en senyals fisiològics i de moviment perifèrics registrats amb un biosensor de 70 pacients (de 6 a 17 anys) amb TEA.

Estudis relacionats anteriors han utilitzat enfocaments lineals daprenentatge automàtic (és a dir, regressió lineal i màquines de vectors de suport). Tot i això, el projecte proposa un model predictiu basat en Xarxes Neuronals per abordar aquest problema. Altres investigacions han demostrat que les Deep Neural Networks son una de les millors opcions quan s'afronten problemes amb dades complexes, però alhora, prou versàtils com per adaptar-se a diferents escenaris. En aquest cas, l'objectiu no només és proporcionar un model predictiu per a tota la població, sinó poder ajustar-se a cadascun dels pacients amb TEA, fent que la xarxa neuronal s'ajusti al problema a resoldre. Per això, una part del treball consisteix en aplicar tècniques de Transfer Learning, concretament de Domain Adaptation (DA).

Els resultats predictius arriben a una àrea sota la corba mitjana del 71,16% per al model global, mentre que els models dependents arriben a una àrea sota la corba del 76,82% predint comportament agressiu amb 30 segons d'antelació.

Los jóvenes con Trastorno del Espectro Autista (TEA) a menudo presentan un comportamiento impredecible y agresivo hacia otras personas o incluso hacia ellos mismos, aislándolos de las actividades sociales y educativas del día a día. El trabajo actual investiga si los datos fisiológicos y de movimiento que preceden dichos episodios, medidos por un biosensor en la muñeca, permiten predecir episodios de comportamiento agresivo en jóvenes con TEA. Los datos utilizados fueron proporcionados por la Northeastern University, y consisten en señales fisiológicas y de movimiento, registradas por un biosensor, de 70 pacientes (de 6 a 17 años de edad) con TEA.

Estudios relacionados anteriores han utilizado enfoques lineales de aprendizaje automático (ML) (es decir, regresión lineal y máquinas de vectores de soporte). No obstante, este proyecto propone un modelo predictivo basado en Redes Neuronales para abordar este problema. Otras investigaciones han demostrado que las Deep Neural Networks son una de las mejores opciones cuando se manejan problemas con datos complejos, pero al mismo tiempo, lo suficientemente versátiles como para adaptarse a diferentes escenarios. En este caso, el objetivo no es solo proporcionar un modelo predictivo para toda la población, sino poder ajustarse a cada uno de los pacientes con TEA, haciendo que la red neuronal se ajuste al problema a resolver. Para ello, una parte del trabajo consiste en aplicar técnicas de Transfer Learning, concretamente de Domain Adaptation (DA).

Los resultados predictivos alcanzan una área bajo la curva media del 71,16% para el modelo global, mientras que los modelos dependientes alcanzan una área bajo la curva del 76,82% prediciendo comportamiento agresivo con 30 segundos de antelación.

Youth with Autism Spectrum Disorder (ASD) often present unpredictable, aggressive behavior toward other people or even themselves, isolating them from day-to-day social and educational activities. The current work investigates if motion and physiological data preceding those episodes, measured by a wrist-worn biosensor, can predict aggressive behavior episodes by youth with ASD. The data used was provided by Northeastern University, consisting of recorded peripheral physiological and motion signals from a biosensor worn by 70 patients (ages 6–17 years) with ASD.

Previous related studies have used shallow Machine Learning (ML) approaches (i.e., Linear regression and Support Vector Machines), whereas, the current project proposes a predictive model based on Neural Networks (NN). Other research has demonstrated that Deep Neural Networks are one of the best options when handling problems with complex data, but at the same time, versatile enough to adapt to different scenarios. In the present case, the scope is not only to provide a predictive model for the whole population but be able to adjust to each of the patients with ASD. To do so, a portion of the work consists of applying Transfer Learning techniques, concretely Domain Adaptation (DA).

The predictive results achieve an average area under the curve (AUC) of 71.16% for the global model, while the person-dependent models reach an AUC of 76.82% predicting aggressive behavior 30 seconds in advance.