在ADHD儿童中基于机器学习的攻击性检测,使用基于传感器的身体活动监测

科学领域:

• 儿科行为分析.
• 可穿戴式传感器技术的技术.
• 机器学习在医疗保健中的应用

背景情况:

• 儿童的侵略是常见的和有影响力的,缺乏客观的测量工具.
• 目前跟踪侵略的方法是主观的,缺乏现实世界的适用性.
• 客观监测对于有效干预和对侵略行为进行管理至关重要.

研究的目的:

• 研究使用可穿戴传感器衍生的体育活动数据和机器学习 (ML) 来客观地识别儿童的身体攻击事件.
• 开发和验证一种ML模型,以高时间分辨率检测物理攻击.
• 探索传感器数据的潜力,以远程监控攻击性行为.

主要方法:

• 参与者 (n=39,年龄为7-16) 佩戴腰部运动监测器长达一周,在12个月内重复使用.
• 收集了人口统计,人类测量和临床数据.
• 一个随机的森林ML模型分析了1分钟的传感器数据以识别身体攻击.

主要成果:

• ML模型实现了高性能指标:精度为80.2%,准确度为82.0%,回忆率为85.0%,F1得分为82.4%,AUC为89.3%.
• 矢量大小 (三轴加速度) 是区分侵略与非侵略的关键特征.
• 在872个总时代中,确定了132个身体侵略时代.

结论:

• 穿戴式传感器数据与ML相结合,可以客观地检测儿童的身体攻击.
• 这种方法显示出一个切实可行的远程解决方案,用于管理儿童的攻击性.
• 建议在更大,多样化的样本中进一步验证临床实施.