X-BCD: Explainable Sensor-Based Behavioral Change Detection in Smart Home Environments

Dit paper introduceert X-BCD, een uitlegbaar en onbewaakt raamwerk dat multimodale sensorgegevens uit slimme woningen analyseert om gedragsveranderingen bij cognitieve achteruitgang te detecteren en te vertalen naar begrijpelijke natuurlijke taalverklaringen voor klinische interpretatie.

De kern

🏠 X-BCD: De "Digitale Verpleegkundige" die je Gewoontes Begrijpt

Stel je voor dat je huis een slimme vriend is die 24 uur per dag naar je kijkt. Niet om te spioneren, maar om te zien hoe je je voelt. Voor ouderen, en vooral voor mensen met lichte cognitieve stoornissen (MCI), kunnen kleine veranderingen in hun dagelijkse gedrag de eerste tekenen zijn van een groter probleem, zoals dementie.

Het probleem is echter: artsen zien deze patiënten maar kort en sporadisch. Ze missen de subtiele veranderingen die zich over maanden of jaren voltrekken. En de data die slimme huizen verzamelen (bewegingssensoren, slaapmatten, etc.) is vaak een wirwar van cijfers die moeilijk te interpreteren zijn.

X-BCD is een nieuwe technologie die deze cijfers omzet in een verhaal dat een arts echt kan begrijpen.

🕵️‍♂️ De Analogie: Het Verschil tussen een Foto en een Film

Veel bestaande systemen kijken naar activiteiten als losse foto's: "Iemand heeft gekookt", "Iemand heeft gelopen".
X-BCD kijkt echter naar gedrag als een film. Het ziet niet alleen wat je doet, maar hoe je dat doet en of je routine verandert.

• Voorbeeld: Stel, iemand kookt elke dag om 18:00 uur. Dat is een routine.
  • Als die persoon plotseling stopt met koken, is dat een verandering.
  • Maar als die persoon begint te koken, maar dan in stukjes: eerst de soep, dan een pauze van een uur, dan het vlees, en dan weer pauze... dat is fragmentatie. De routine is niet weg, maar hij is in stukken gebroken.
  • Of misschien wordt het koken heel simpel: alleen nog maar brood eten. Dat is simplificatie.

X-BCD is slim genoeg om dit soort "verhaaltjes" te herkennen, in plaats van alleen te zeggen: "Er is iets veranderd."

🛠️ Hoe werkt het? (De Drie Stappen)

Het systeem werkt in drie stappen, alsof het een detective is die een dossier opbouwt:

1. De Waarneming (Sensoren):
   Het systeem kijkt naar sensoren in huis (beweging, temperatuur, een slim horloge). Het vertaalt deze ruwe data naar begrijpelijke feiten, zoals "slaapduur", "aantal stappen" of "hoe vaak de koelkast open ging".

   • Vergelijking: Het is alsof een vertaler de taal van de sensoren (0's en 1's) omzet in menselijke taal.

2. Het Detecteren van Veranderingen (De "Knik" in de lijn):
   Het systeem zoekt naar momenten waarop het gedrag van de bewoner structureel verandert. Het verdeelt de tijd in stukken: "Hier was het gedrag stabiel, en hier begon het te veranderen."

   • Vergelijking: Denk aan een rivier. Soms stroomt het rustig en gelijkmatig. Dan komt er een rotsblok in de weg en verandert de stroomrichting. X-BCD vindt precies waar die rotsblokken zitten.

3. Het Verhaal Vertellen (De AI-Verteller):
   Dit is het belangrijkste deel. In plaats van een grafiek te tonen, gebruikt het systeem een slimme taalcomputer (een Large Language Model) om een natuurlijk taalverslag te schrijven voor de arts.

   • Voorbeeld van wat de computer zegt: "In de afgelopen maand is de routine van de patiënt veranderd. De gebruikelijke ochtendwandeling is verdwenen. In plaats daarvan is er een nieuwe, kortere routine ontstaan waarbij de patiënt minder vaak opstaat, maar wel langer in bed blijft liggen. Dit lijkt op een vereenvoudiging van de dagelijkse structuur."

🧪 Wat hebben ze ontdekt? (De Proef)

De onderzoekers hebben dit systeem getest bij 17 mensen met lichte cognitieve stoornissen in hun eigen huizen. Ze hebben twee groepen vergeleken:

1. Mensen met MCI door een neurodegeneratieve ziekte (zoals Alzheimer).
2. Mensen met MCI door andere oorzaken (zoals stress of medicatie).

De resultaten waren verrassend:

• Slaap: Bij de groep met Alzheimer veranderde de kwaliteit van de slaap (de diepte van de slaap) langzaam maar zeker. Bij de andere groep veranderde de slaap meer door onrust (vaak wakker worden), maar de diepte bleef gelijk.
• Koken: Mensen met Alzheimer begonnen hun kookroutine te vereenvoudigen of te versplinteren. Mensen met andere oorzaken hielden hun kookgewoontes stabieler vast.
• Beweging: Bij de Alzheimer-groep waren de veranderingen in beweging vaak klein en geleidelijk. Bij de andere groep waren de veranderingen soms groter en plotseling, waarschijnlijk door emotionele onrust.

💡 Waarom is dit belangrijk?

Stel je voor dat je arts een rapport krijgt met alleen maar een rijtje cijfers. Dat zegt niets.
Met X-BCD krijgt de arts een verhaal: "Deze patiënt heeft zijn dagelijkse routine vereenvoudigd, wat een typisch teken is van de ziekte die we vermoeden."

Dit helpt artsen om:

1. Sneller te reageren: Ze zien de veranderingen maanden voordat de patiënt zelf merkt dat er iets mis is.
2. Beter te begrijpen: Ze weten niet alleen dat er iets verandert, maar hoe (bijvoorbeeld: "de routine valt uit elkaar" vs. "de routine wordt stabieler").
3. Betere beslissingen te nemen: Het helpt bij het onderscheid tussen verschillende soorten dementie, wat cruciaal is voor de behandeling.

🚀 Conclusie

X-BCD is als een tolk tussen de digitale wereld van sensoren en de menselijke wereld van artsen. Het maakt de onzichtbare veranderingen in ons dagelijks leven zichtbaar en begrijpelijk, zodat we ouderen eerder en beter kunnen helpen voordat het te laat is. Het is niet alleen een alarmbel, maar een uitleggever die vertelt waarom het alarm gaat.

Technische samenvatting

Probleemstelling

Veranderingen in dagelijkse activiteiten (ADL's) binnen de thuisomgeving kunnen vroege digitale markers zijn voor cognitieve achteruitgang, zoals bij Milde Cognitieve Stoornis (MCI) en de overgang naar dementie. Hoewel er veel onderzoek is gedaan naar het herkennen van individuele activiteiten via slimme huissensoren, is het analyseren van de evolutie van gedragspatronen (routines) over de lange termijn nog een uitdaging.

Bestaande methoden voor gedragsverandering detectie (BCD) focussen vaak op geaggregeerde "drift-scores" die aangeven dat er een verandering is, maar niet hoe het gedrag zich structureel heeft herschikt (bijv. vereenvoudiging, fragmentatie of samenvoeging van routines). Voor klinische toepassing is het echter cruciaal om deze structurele veranderingen interpreteerbaar te maken voor artsen, zodat ze kunnen begrijpen welke specifieke routines veranderen en wat de mogelijke implicaties zijn.

Methodologie: X-BCD Framework

X-BCD is een onbewaakte (unsupervised), interpreteerbare framework dat gedragsveranderingen detecteert en beschrijft aan de hand van multimodale sensordata. Het framework volgt een modulaire pijplijn:

1. Feature Encoding (Kenmerkcodering):

   • Ruwe sensordata (beweging, temperatuur, stroomverbruik, draagbare apparaten) worden geaggregeerd op een tijdsgranulariteit (bijv. dagelijks).
   • Er worden domeinspecifieke, interpreteerbare kenmerken gegenereerd (bijv. slaaptijd, aantal stappen, kookduur).
   • Tijdsgebonden kenmerken (zoals slaaptijden) worden omgezet naar sinus/cosinus-waarden om de circulaire aard van de tijd (23:00 is dicht bij 01:00) te behouden.
   • Contextuele kenmerken (weekdag vs. weekend) worden toegevoegd om sociale patronen te onderscheiden.

2. Change Point Detection (CPD):

   • Het framework gebruikt het PELT-algoritme (Pruned Exact Linear Time) om statistische veranderingen in de tijdreeks te detecteren.
   • Dit verdeelt de data in segmenten met intern stabiel gedrag, gescheiden door verandingspunten. De parameters worden zo afgesteld dat segmenten minimaal 3 maanden duren om kortetermijnruis te filteren.

3. Cluster Evolution Tracking (Evolutie van clusters):

   • Binnen elk segment worden de data geclusterd (bijv. met DBSCAN) om typische "routines" te identificeren.
   • Het systeem vergelijkt clusters tussen een referentieperiode (RP) en een observatieperiode (OP) om de evolutie te kwantificeren:
     • Stabiel: De routine blijft gelijk.
     • Drift: De routine verandert geleidelijk (verschuiving in centroid).
     • Verdwenen/Nieuw: Routines verdwijnen of ontstaan.
     • Split/Gemerged: Een routine splitst in meerdere of meerdere smelten samen.
   • Er wordt een "drift-score" berekend op basis van veranderingen in de centroid, de prevalentie (aandeel van de data) en de variantie.

4. LLM-gebaseerde Interpretatie (Explainability):

   • Om de technische output voor clinici begrijpelijk te maken, worden de clustercentroïden vertaald naar natuurlijke taal.
   • Een Large Language Model (LLM), specifiek MedGemma (gefine-tuned op medische data), genereert een beschrijving.
   • De prompt voor het LLM bevat:
     • De numerieke waarden van de centroid.
     • Semantische beschrijvingen van de kenmerken.
     • De evolutietype (bijv. "drift" of "verdwenen").
   • Het LLM produceert een rapport met drie delen: een globaal gedragsbeeld, een gedetailleerde analyse van de habit-dynamiek, en mogelijke klinische implicaties (met voorzichtigheid, zonder diagnose te stellen).

Belangrijkste Bijdragen

1. X-BCD Framework: Een nieuw, onbewaakt systeem dat gedragsveranderingen detecteert door veranderingen in routine-structuren te modelleren in plaats van alleen geaggregeerde scores.
2. Interpreteerbare Output: Het genereren van natuurlijke taalverklaringen die direct bruikbaar zijn voor clinici, gebaseerd op interpreteerbare kenmerken in plaats van "black-box" latent representations.
3. Empirische Validatie: Toepassing op een uniek, longitudinaal dataset van 17 echte MCI-patiënten in hun eigen huizen, met een vergelijking tussen twee cohorten: MCI door neurodegeneratieve ziekten (D) en MCI zonder neurodegeneratieve oorzaak (ND).

Resultaten

De evaluatie toonde aan dat X-BCD in staat is om onderscheidende patronen te vinden tussen de twee patiëntengroepen:

• Slaap: De neurodegeneratieve groep (D) vertoonde meer herconfiguratie van slaapfasen (bijv. REM), wat overeenkomt met literatuur over Alzheimer. De niet-neurodegeneratieve groep (ND) toonde meer veranderingen in slaapcontinuïteit, mogelijk gerelateerd aan angst/depressie.
• Fysieke Activiteit: De D-groep toonde meer veranderingen in het aantal stappen, terwijl de ND-groep stabielere routines behield, wat suggereert dat neurodegeneratie de interne regulatie van activiteiten aantast.
• Koken: Meerdere patiënten in de D-groep vertoonden veranderingen in kookgedrag (een complexe IADL-activiteit), terwijl dit zelden voorkwam in de ND-groep.
• Expert Beoordeling: Een klinisch team bevestigde dat de gegenereerde tekstuele verklaringen accuraat waren en gebaseerd op de sensordata. Ze vonden de "globale trends" en "implicaties" zeer nuttig, hoewel de gedetailleerde statistische beschrijvingen (Habit Dynamics) soms te technisch waren voor de dagelijkse klinische workflow.

Significantie en Toekomstperspectief

• Klinische Impact: X-BCD fungeert niet als diagnostisch hulpmiddel, maar als beslissingsondersteuning. Het helpt clinici om vroege signalen van functionele achteruitgang te identificeren die jaren voor een dementiediagnose kunnen optreden.
• Interpreteerbaarheid: Door "explainable-by-design" te zijn, overbrugt het de kloof tussen complexe data-analyse en klinisch inzicht, wat essentieel is voor de adoptie van AI in de gezondheidszorg.
• Beperkingen en Toekomst: Het huidige systeem werkt in een retrospectieve (batch) modus. Toekomstig werk richt zich op online detectie (streaming data), het integreren van contextuele factoren (zoals reizen of seizoenen) om valse positieven te verminderen, en het gebruik van federated learning om modellen te trainen zonder privacy te schenden.

Kortom, X-BCD biedt een nieuwe manier om de evolutie van dagelijks gedrag te monitoren, waarbij de focus ligt op de structuur van veranderingen en de betekenis daarvan voor de patiënt, ondersteund door AI-generatie van begrijpelijke rapporten.