Published August 23, 2019 | Version v1
Publication Open

Prototypical System to Detect Anxiety Manifestations by Acoustic Patterns in Patients with Dementia

Creators

  • 1. University of Ulster
  • 2. Instituto Politécnico Nacional
  • 3. Consejo Nacional de Humanidades, Ciencias y Tecnologías
  • 4. Hasso Plattner Institute
  • 5. University of Potsdam
  • 6. Center for Scientific Research and Higher Education at Ensenada

Description

INTRODUCTION: Dementia is a syndrome characterised by a decline in memory, language, and problem-solving that affects the ability of patients to perform everyday activities.Patients with dementia tend to experience episodes of anxiety and remain for extended periods, which affects their quality of life.OBJECTIVES: To design AnxiDetector, a system capable of detecting patterns of sounds associated before and during the manifestation of anxiety in patients with dementia.METHODS: We conducted a non-participatory observation of 70 diagnosed patients in-situ, and conducted semi-structured interviews with four caregivers at a residential centre.Using the findings from our observation and caregiver interviews, we developed the AnxiDetector prototype and tested this in an experimental setting where we defined nine classes of audio to represent two groups of sounds: (i) Disturbance which includes audio files that characterise sounds that trigger anxiety in patients with dementia, and (ii) Expression which includes audio files that characterise sounds expressed by the patients during episodes of anxiety.We conducted two experimental classifications of sounds using (i) a Neural Network model trained and (ii) a Support Vector Machine model.The first evaluation consists of a binary discriminating between the two groups of sounds; the second evaluation discriminates the nine classes of audio.The audio resources were retrieved from publicly available datasets. RESULTS:The qualitative results present the views of the caregivers on the adoption of AnxiDetector.The quantitative results from our binary discrimination show a classification accuracy of 98.1% and 99.2% for the Deep Neural Network and Support Vector Machine models, respectively.When classifying the nine classes of sound, our model shows a classification accuracy of 92.2%.Whereas, the Support Vector Machine model yielded an overall classification accuracy of 93.0%.CONCLUSION: In this paper, we presented the outcomes from an observational study in-site at a residential care centre, qualitative findings from interviews with caregivers, the design of AnxiDetector, and preliminary qualitative results of a methodology devised to detect relevant acoustic events associated with anxiety in patients with dementia.We conclude by signalling future plans to conduct in-situ validation of the effectiveness of AnxiDetector for anxiety detection.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

مقدمة: الخرف هو متلازمة تتميز بانخفاض في الذاكرة واللغة وحل المشكلات التي تؤثر على قدرة المرضى على أداء الأنشطة اليومية. يميل المرضى الذين يعانون من الخرف إلى التعرض لنوبات من القلق والبقاء لفترات طويلة، مما يؤثر على نوعية حياتهم .OBJECTIVES: لتصميم AnxiDetector، وهو نظام قادر على اكتشاف أنماط الأصوات المرتبطة قبل وأثناء ظهور القلق لدى المرضى الذين يعانون من الخرف .METHODS: أجرينا ملاحظة غير مشاركة لـ 70 مريضًا تم تشخيصهم في الموقع، وأجرينا مقابلات شبه منظمة مع أربعة من مقدمي الرعاية في مركز سكني. باستخدام النتائج المستخلصة من مقابلات الملاحظة ومقدمي الرعاية، قمنا بتطوير نموذج AnxiDetector الأولي واختباره في بيئة تجريبية حيث حددنا تسع فئات من الصوت لتمثيل مجموعتين من الأصوات: (1) الاضطراب الذي يتضمن الملفات الصوتية التي تميز الأصوات التي تثير القلق لدى المرضى الذين يعانون من الخرف، و (2) التعبير الذي يتضمن الملفات الصوتية التي تميز الأصوات التي يعبر عنها المرضى خلال نوبات القلق. أجرينا تصنيفين تجريبيين للأصوات باستخدام (1) نموذج الشبكة العصبية المدرب و (2) الدعم نموذج آلة المتجهات. يتكون التقييم الأول من تمييز ثنائي بين مجموعتي الأصوات ؛ يميز التقييم الثاني فئات الصوت التسعة. تم استرداد الموارد الصوتية من مجموعات البيانات المتاحة للجمهور. النتائج: تعرض النتائج النوعية وجهات نظر مقدمي الرعاية حول اعتماد AnxiDetector. تُظهر النتائج الكمية من تمييزنا الثنائي دقة تصنيف بنسبة 98.1 ٪ و 99.2 ٪ لنماذج الشبكة العصبية العميقة وآلة دعم المتجهات، على التوالي. عند تصنيف الفئات التسعة من الصوت، يُظهر نموذجنا دقة تصنيف بنسبة 92.2 ٪. في حين أن نموذج آلة دعم المتجهات أسفر عن دقة تصنيف شاملة بنسبة 93.0 ٪. الخاتمة: في هذه الورقة، قدمنا نتائج دراسة قائمة على الملاحظة في الموقع في مركز رعاية سكني، ونتائج نوعية من المقابلات مع مقدمي الرعاية، وتصميم AnxiDetector، والنتائج النوعية الأولية لمنهجية مصممة للكشف عن الأحداث الصوتية ذات الصلة المرتبطة بالقلق لدى المرضى الذين يعانون من الخرف. نختتم بالإشارة إلى الخطط المستقبلية لإجراء التحقق في الموقع من فعالية AnxiDetector للكشف عن القلق.

Translated Description (French)

INTRODUCTION : La démence est un syndrome caractérisé par un déclin de la mémoire, du langage et de la résolution de problèmes qui affecte la capacité des patients à effectuer des activités quotidiennes.Les patients atteints de démence ont tendance à éprouver des épisodes d'anxiété et à rester pendant de longues périodes, ce qui affecte leur qualité de vie.OBJECTIFS : Pour concevoir AnxiDetector, un système capable de détecter les modèles de sons associés avant et pendant la manifestation de l'anxiété chez les patients atteints de démence.MÉTHODES : Nous avons mené une observation non participative de 70 patients diagnostiqués in situ et mené des entretiens semi-structurés Avec quatre soignants dans un centre résidentiel. En utilisant les résultats de nos entretiens d'observation et avec les soignants, nous avons développé le prototype AnxiDetector et l'avons testé dans un cadre expérimental où nous avons défini neuf classes audio pour représenter deux groupes de sons : (i) Perturbation qui comprend des fichiers audio qui caractérisent les sons qui déclenchent l'anxiété chez les patients atteints de démence, et (ii) Expression qui comprend des fichiers audio qui caractérisent les sons exprimés par les patients pendant les épisodes d'anxiété. Nous avons effectué deux classifications expérimentales des sons en utilisant (i) un modèle de réseau neuronal formé et (ii) un support Modèle de machine vectorielle. La première évaluation consiste en une discrimination binaire entre les deux groupes de sons ; la deuxième évaluation discrimine les neuf classes d'audio. Les ressources audio ont été récupérées à partir d'ensembles de données accessibles au public. RÉSULTATS :Les résultats qualitatifs présentent les points de vue des soignants sur l'adoption d'AnxiDetector. Les résultats quantitatifs de notre discrimination binaire montrent une précision de classification de 98,1 % et 99,2 % pour les modèles Deep Neural Network et Support Vector Machine, respectivement. Lors de la classification des neuf classes de sons, notre modèle montre une précision de classification de 92,2 %. Par conséquent, le modèle Support Vector Machine a donné une précision de classification globale de 93,0 %.CONCLUSION : Dans cet article, nous avons présenté les résultats d'une étude d'observation sur place dans un centre de soins résidentiel, les résultats qualitatifs d'entretiens avec les soignants, la conception d'AnxiDetector et les résultats qualitatifs préliminaires d'une méthodologie conçue pour détecter les événements acoustiques pertinents associés à l'anxiété chez les patients atteints de démence. Nous concluons en signalant les plans futurs de validation in situ de l'efficacité d'AnxiDetector pour la détection de l'anxiété.

Translated Description (Spanish)

INTRODUCCIÓN: La demencia es un síndrome caracterizado por una disminución de la memoria, el lenguaje y la resolución de problemas que afecta la capacidad de los pacientes para realizar actividades cotidianas.Los pacientes con demencia tienden a experimentar episodios de ansiedad y permanecen durante períodos prolongados, lo que afecta su calidad de vida.OBJECTIVOS: Para diseñar AnxiDetector, un sistema capaz de detectar patrones de sonidos asociados antes y durante la manifestación de ansiedad en pacientes con demencia.METODOS: Realizamos una observación no participativa de 70 pacientes diagnosticados in situ y realizamos entrevistas semiestructuradas con cuatro cuidadores en un centro residencial. Utilizando los hallazgos de nuestras entrevistas de observación y cuidadores, desarrollamos el prototipo AnxiDetector y lo probamos en un entorno experimental donde definimos nueve clases de audio para representar dos grupos de sonidos: (i) Perturbación que incluye archivos de audio que caracterizan los sonidos que desencadenan ansiedad en pacientes con demencia, y (ii) Expresión que incluye archivos de audio que caracterizan los sonidos expresados por los pacientes durante los episodios de ansiedad. Realizamos dos clasificaciones experimentales de sonidos utilizando (i) un modelo de red neuronal entrenado y (ii) un soporte Modelo de máquina vectorial. La primera evaluación consiste en una discriminación binaria entre los dos grupos de sonidos; la segunda evaluación discrimina las nueve clases de audio. Los recursos de audio se recuperaron de conjuntos de datos disponibles públicamente. RESULTADOS:LOS resultados cualitativos presentan las opiniones de los cuidadores sobre la adopción de AnxiDetector. Los resultados cuantitativos de nuestra discriminación binaria muestran una precisión de clasificación del 98.1% y 99.2% para los modelos de Red Neuronal Profunda y Máquina de Vectores de Soporte, respectivamente. Al clasificar las nueve clases de sonido, nuestro modelo muestra una precisión de clasificación del 92.2%. Donde, el modelo de Máquina de Vectores de Soporte produjo una precisión de clasificación general del 93.0% .CONCLUSIÓN: En este documento, presentamos los resultados de un estudio observacional en el sitio en un centro de atención residencial, hallazgos cualitativos de entrevistas con cuidadores, el diseño de AnxiDetector y resultados cualitativos preliminares de una metodología diseñada para detectar eventos acústicos relevantes asociados con la ansiedad en pacientes con demencia. Concluimos señalando planes futuros para llevar a cabo la validación in situ de la efectividad de AnxiDetector para la detección de ansiedad.

Files

eai.10-2-2020.163097.pdf

Files (2.3 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:8272e26650cbf3b4e7d290801afc293b
2.3 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
نظام نموذجي للكشف عن مظاهر القلق من خلال الأنماط الصوتية في المرضى الذين يعانون من الخرف
Translated title (French)
Système prototype pour détecter les manifestations d'anxiété par des schémas acoustiques chez les patients atteints de démence
Translated title (Spanish)
Sistema prototípico para detectar manifestaciones de ansiedad por patrones acústicos en pacientes con demencia

Identifiers

Other
https://openalex.org/W3006066848
DOI
10.4108/eai.10-2-2020.163097

Is supplement to
https://openalex.org/W4285295191 (Other)
https://openalex.org/W2966412519 (Other)
https://openalex.org/W2890927416 (Other)
https://openalex.org/W2775021631 (Other)
https://openalex.org/W2409059799 (Other)
https://openalex.org/W2292805620 (Other)
https://openalex.org/W2128765271 (Other)
https://openalex.org/W2028416698 (Other)
https://openalex.org/W1993101344 (Other)
https://openalex.org/W1972242255 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Mexico