Prediction of Challenging Behaviors Associated with Profound Autism in a Classroom Setting Using Wearable Sensors

Resumen Técnico: Predicción de Comportamientos Desafiantes Asociados al Autismo Profundo en un Entorno de Aula Mediante Sensores Vestibles

Enunciado del Problema
Aproximadamente una cuarta parte de las personas con Trastorno del Espectro Autista (TEA) se clasifican como teniendo "autismo profundo", un subgrupo propenso a episodios frecuentes e intensos de comportamientos desafiantes como el comportamiento autolesivo (CAL), la agresión y la agitación. Estos comportamientos plantean riesgos significativos para la seguridad y interrumpen el aprendizaje. La monitorización actual depende de la observación humana subjetiva y de la revisión de video, procesos intensivos en tiempo que carecen de la capacidad para detectar los precursores fisiológicos sutiles que a menudo preceden a los episodios de comportamiento. Aunque los sensores vestibles se han aplicado a la detección de comportamientos, trabajos anteriores se han confinado en gran medida a entornos de laboratorio controlados, se han centrado en la detección retrospectiva en lugar de la predicción proactiva y han estado limitados por datos de una sola modalidad o arquitecturas superficiales. Existe una necesidad crítica de herramientas escalables, objetivas y conscientes del contexto capaces de predecir comportamientos desafiantes en aulas de educación especial del mundo real para permitir una intervención proactiva.

Metodología
El estudio se llevó a cabo en el Centro de Descubrimiento (TCFD) con nueve participantes varones (de 10 a 21 años) con autismo profundo. La recolección de datos ocurrió durante sesiones de aula estándar utilizando bandas Q-Sensor (Affectiva Inc.) colocadas en la muñeca o el tobillo, registrando acelerometría triaxial, actividad electrodérmica (AED) y temperatura de la piel a 30 Hz.

• Anotación de Datos: Analistas de comportamiento capacitados anotaron el material de video para etiquetar comportamientos desafiantes específicos, que se agruparon en tres categorías de alto nivel: Agresión, Comportamiento Autolesivo (CAL) y Estereotipia. El conjunto de datos comprendió aproximadamente 110,7 horas de datos de series temporales multimodales etiquetados.
• Preprocesamiento: Las señales se segmentaron utilizando una ventana deslizante de 5 segundos con un paso de 1 segundo. Las señales de AED se descompusieron en componentes tónicos y fásicos, reteniendo solo el componente tónico para el análisis para representar la activación simpática general. La calidad de los datos se controló basándose en la validez de la AED para garantizar un contacto adecuado con la piel.
• Arquitectura del Modelo: Los autores emplearon un marco de fusión multimodal que aprovecha modelos base de última generación ajustados finamente para la tarea específica:
  • Acelerometría: Se evaluaron HarNet5 (estilo ResNet, preentrenado en Capture-24), DeepConvLSTM y un clasificador basado en Transformer (Actigraphy Transformer).
  • AED: Se utilizó un autoencoder convolucional preentrenado en el conjunto de datos WESAD.
  • Temperatura de la Piel: Se modeló utilizando una CNN 1D ligera.
  • Estrategias de Fusión: Se compararon tres enfoques de fusión: (1) Concatenación ingenua de características de características agrupadas temporalmente seguida de un MLP; (2) Autoatención temporal utilizando un Vision Transformer (ViT) sobre incrustaciones multimodales alineadas en el tiempo; y (3) Atención cruzada cruz-temporal utilizando ViT para capturar interacciones entre modalidades y pasos de tiempo.
• Protocolo Experimental: El estudio utilizó validación cruzada de cinco pliegues por sujeto (o de cuatro pliegues para tareas multiclase) para evaluar la generalización. La tarea principal fue la detección/predicción binaria de comportamientos desafiantes frente a ningún comportamiento. Una tarea secundaria involucró predicción multiclase (Ninguno, Agresión, CAL, Estereotipia). Los horizontes de predicción se probaron desde 30 segundos hasta 30 minutos desplazando las etiquetas hacia adelante en el tiempo.

Contribuciones Clave

1. Validación en el Mundo Real: Este trabajo demuestra la viabilidad de predecir episodios de comportamiento desafiante en un entorno naturalista de aula de educación especial, avanzando más allá de los entornos de laboratorio controlados.
2. Modelos Base Multimodales: El estudio introduce un marco que ajusta finamente modelos base preentrenados para el análisis de series temporales multimodales vestibles (acelerometría, AED, temperatura de la piel), abordando la escasez de datos etiquetados en entornos clínicos.
3. Predicción Proactiva: A diferencia de los sistemas de detección retrospectiva anteriores, este enfoque predice con éxito comportamientos desafiantes hasta 10 minutos con antelación, estableciendo una ventana operativa concreta para la intervención docente.
4. Análisis Exhaustivo: El artículo proporciona un análisis detallado de las contribuciones de las modalidades, las estrategias de fusión y el impacto de los horizontes de predicción, destacando la dominancia de la acelerometría mientras cuantifica el papel marginal pero complementario de las señales autonómicas.

Resultados

• Rendimiento de Detección: En tareas de detección binaria, el enfoque de concatenación ingenua de características logró el mejor rendimiento con un AUC-ROC de 0,793. Entre los modelos unimodales, el modelo HarNet5 basado en acelerómetro tuvo el mejor desempeño (AUC-ROC 0,778), superando a los modelos de AED y temperatura de la piel.
• Rendimiento de Predicción: El sistema predijo con éxito comportamientos desafiantes hasta 10 minutos con antelación con un AUC-ROC promedio de 0,78 (IC 95% ±0,10). El rendimiento disminuyó gradualmente a medida que el horizonte de predicción aumentó hasta 30 minutos, aunque se mantuvo por encima de 0,75.
• Importancia de la Modalidad: El análisis MM-SHAP reveló que la acelerometría fue el predictor dominante (contribuyendo 90% a la decisión), mientras que la AED y la temperatura de la piel proporcionaron contribuciones marginales (8% y ~2%, respectivamente). Las visualizaciones Grad-CAM confirmaron que la atención del modelo se alineó con intervalos ricos en movimiento que precedían a los comportamientos.
• Limitaciones Multiclase: La tarea de predicción de cuatro clases (Ninguno, Agresión, CAL, Estereotipia) arrojó un AUC-ROC de 0,65, impulsado casi en su totalidad por la capacidad de detectar la clase "Ninguno". El modelo no logró distinguir entre tipos de comportamiento raros (Agresión y CAL) debido al desequilibrio extremo de clases. Un agrupamiento más grueso de tres clases (Alto riesgo vs. Bajo riesgo vs. Ninguno) resultó en un AUC-ROC de 0,53, lo que indica que la discriminación de tipos de comportamiento de grano fino no es actualmente factible con la escala de datos disponible.
• Variabilidad por Sujeto: El rendimiento varió significativamente entre sujetos (AUC-ROC que osciló entre 0,65 y 0,90), correlacionándose más fuertemente con la densidad de eventos de comportamiento etiquetados que con la edad o la ubicación de colocación del sensor.

Significado y Afirmaciones
El artículo afirma que sus resultados establecen una "base concreta" para el desarrollo de sistemas de intervención proactiva en el aula. Al lograr un horizonte de predicción de 10 minutos con un AUC-ROC de 0,78, el sistema ofrece una ventana práctica para que los maestros intervengan y minimicen los riesgos de seguridad antes de que un episodio escale. Los autores enfatizan que, aunque el sistema prioriza la sensibilidad (recuperación de 0,55) sobre la precisión (0,31) para garantizar la seguridad, este compromiso es clínicamente defendible en contextos de educación especial donde el costo de un evento pasado por alto supera al de una falsa alarma.

El estudio concluye que la detección multimodal vestible es un enfoque viable para anticipar comportamientos desafiantes en el autismo profundo. Sin embargo, los autores permanecen modestos respecto a las limitaciones actuales, señalando que la incapacidad del sistema para distinguir tipos específicos de comportamiento es un resultado directo de la escasez de datos y el desequilibrio de clases. Plantean que las mejoras futuras en la generalización y la predicción de grano fino requerirán conjuntos de datos más grandes y diversos y la integración de señales contextuales adicionales (por ejemplo, video, horarios de actividades). El trabajo no afirma resolver por completo el problema de la predicción de comportamientos, sino que demuestra un paso significativo hacia un apoyo proactivo, basado en datos y escalable para una de las poblaciones más desatendidas en la educación especial.