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

技术摘要：利用可穿戴传感器预测深度自闭症学生在课堂环境中的挑战性行为

问题陈述
约四分之一的自闭症谱系障碍（ASD）个体被归类为患有“深度自闭症”，这一亚群易频繁出现强烈且激烈的挑战性行为，如自伤行为（SIB）、攻击性和激越。这些行为构成重大的安全风险并扰乱学习。目前的监测依赖于耗时且主观的人工观察或视频回顾，缺乏检测通常先于行为发作的细微生理前兆的能力。虽然可穿戴传感器已应用于行为检测，但先前的工作主要局限于受控的实验室环境，侧重于事后检测而非主动预测，且受限于单模态数据或浅层架构。迫切需要可扩展、客观且具备情境感知能力的工具，以在现实世界的特殊教育教室中预测挑战性行为，从而实现主动干预。

方法论
本研究在发现中心（TCFD）进行，涉及九名（年龄 10–21 岁）患有深度自闭症的男性参与者。数据采集在标准课堂会话期间进行，使用佩戴于手腕或脚踝的 Q-Sensor 手环（Affectiva Inc.），以 30 Hz 的频率记录三轴加速度、皮肤电活动（EDA）和皮肤温度。

• 数据标注： 受过培训的行为分析师对视频片段进行标注，标记特定的挑战性行为，并将其归为三个高级类别：攻击性、自伤行为（SIB）和刻板行为。数据集包含约 110.7 小时的标注多模态时间序列数据。
• 预处理： 信号使用 5 秒滑动窗口和 1 秒步长进行分割。EDA 信号被分解为张力和瞬态成分，仅保留张力成分用于分析，以代表整体交感神经唤醒。基于 EDA 有效性对数据质量进行门控，以确保适当的皮肤接触。
• 模型架构： 作者采用多模态融合框架，利用针对特定任务微调的先进基础模型：
  • 加速度： 评估了 HarNet5（ResNet 风格，在 Capture-24 上预训练）、DeepConvLSTM 和基于 Transformer 的分类器（Actigraphy Transformer）。
  • EDA： 利用在 WESAD 数据集上预训练的卷积自编码器。
  • 皮肤温度： 使用轻量级 1D CNN 进行建模。
  • 融合策略： 比较了三种融合方法：(1) 将时间池化特征进行朴素特征拼接，随后输入多层感知机（MLP）；(2) 在时间对齐的多模态嵌入上使用视觉 Transformer（ViT）进行时间自注意力；(3) 使用 ViT 进行跨时间跨模态注意力，以捕捉模态间和时间步之间的交互。
• 实验协议： 研究采用受试者间的五折交叉验证（多分类任务为四折）来评估泛化能力。主要任务是挑战性行为与无行为的双分类检测/预测。次要任务涉及多分类预测（无、攻击性、SIB、刻板行为）。通过向前移动标签，测试了从 30 秒到 30 分钟的预测窗口。

主要贡献

1. 现实世界验证： 这项工作证明了在自然主义的特殊教育教室环境中预测挑战性行为发作的可行性，超越了受控的实验室环境。
2. 多模态基础模型： 本研究引入了一个框架，将预训练的基础模型微调用于多模态可穿戴时间序列分析（加速度、EDA、皮肤温度），解决了临床环境中标注数据稀缺的问题。
3. 主动预测： 与以往的事后检测系统不同，该方法成功提前长达 10 分钟预测挑战性行为，为教师干预确立了具体的操作窗口。
4. 综合分析： 论文详细分析了模态贡献、融合策略以及预测窗口的影响，突出了加速度计的主导地位，同时量化了自主神经信号虽微弱但互补的作用。

结果

• 检测性能： 在双分类任务中，朴素特征拼接方法取得了最佳性能，AUC-ROC 为 0.793。在单模态模型中，基于加速度计的 HarNet5 模型表现最佳（AUC-ROC 0.778），优于 EDA 和皮肤温度模型。
• 预测性能： 该系统成功提前 10 分钟 预测挑战性行为，平均 AUC-ROC 为 0.78（95% CI ±0.10）。随着预测窗口延长至 30 分钟，性能逐渐下降，但仍保持在 0.75 以上。
• 模态重要性： MM-SHAP 分析显示，加速度计是主要预测因子（贡献约 90% 的决策），而 EDA 和皮肤温度提供了边际贡献（分别约 8% 和 2%）。Grad-CAM 可视化证实，模型注意力与行为发生前富含运动的区间一致。
• 多分类局限性： 四分类预测任务（无、攻击性、SIB、刻板行为）产生的 AUC-ROC 为 0.65，这几乎完全由检测“无”类的能力驱动。由于极端的类别不平衡，模型无法区分罕见的行为类型（攻击性和 SIB）。较粗粒度的三类分组（高风险 vs. 低风险 vs. 无）产生的 AUC-ROC 为 0.53，表明在现有数据规模下，细粒度的行为类型区分目前不可行。
• 个体间变异性： 不同受试者的表现差异显著（AUC-ROC 范围从 0.65 到 0.90），其相关性比年龄或传感器放置位置更强的是标注行为事件的密度。

意义与主张
该论文声称，其结果为开发主动的课堂干预系统奠定了“坚实基础”。通过实现 10 分钟的预测窗口和 0.78 的 AUC-ROC，该系统为教师提供了一个实用的窗口，以便在发作升级前进行干预并最大限度地降低安全风险。作者强调，虽然该系统优先考虑敏感性（召回率 0.55）而非精确度（0.31）以确保安全，但这种权衡在特殊教育背景下是临床可辩护的，因为在这些环境中，漏报事件的代价高于误报。

研究结论认为，多模态可穿戴传感是预测深度自闭症挑战性行为的可行方法。然而，作者对当前的局限性保持谦逊，指出系统无法区分特定行为类型是数据稀缺和类别不平衡的直接结果。他们提出，未来泛化能力和细粒度预测的改进将需要更大、更多样化的数据集，以及整合额外的情境信号（如视频、活动日程）。这项工作并未声称完全解决行为预测问题，而是展示了迈向为特殊教育中服务最不足的群体之一提供可扩展、数据驱动的主动支持的重要一步。