Efficient Detection of Impulsivity-Induced Abnormal Behavior = 충동성 유발 이상 행동의 효율적 탐지

다국어 초록 (Multilingual Abstract)

Children with strong impulsivity tend to have weak self-control and often act immediately on their thoughts. Examples of behaviors in the classroom that stem from impulsivity include interrupting others to suddenly express their own opinions, or being unable to endure listening to a lesson and instead engaging in unrelated activities. Children who exhibit such behaviors are at risk of developing secondary disorders such as depression and anxiety disorders. Therefore, early detection of impulsivity-induced behavior is crucial for finding appropriate ways to support child development. Methods for detecting impulsivity and hyperactivity in children with attention-deficit/hyperactivity disorder (ADHD) using electroencephalography (EEG) signals and skeletal information extracted from video cameras have previously been proposed. However, EEG devices are physically large and unsuitable for long-term use during children's daily activities. Video camera recording also fails to extract skeletal information accurately when hands are hidden by legs, and if the number of cameras is increased, the children's attention may shift to the cameras themselves. Furthermore, it's difficult to collect a sufficient amount of impulsivity-related behavior, and collecting data from ADHD subjects repeatedly in response to changes in environment or situation is impractical. To address these problems, we attempt to detect abnormal behavior using inertial measurement unit (IMU) sensors, which measure motion using accelerometers and gyroscopes. IMU sensors enable stable, continuous measurement regardless of a child's posture and are more suitable for long-term wear compared to EEG devices. To overcome the challenge of insufficient impulsive behavior data, we propose a method that detects anomalies using only normal data. Specifically, we adopt a Variational Autoencoder (VAE) model based on unsupervised learning. By incorporating networks capable of capturing temporal-dependent features into the encoder and decoder, we propose a model that can more accurately interpret children's behavior. In the experiment, we evaluate the detection performance using the area under the receiver operating characteristic curve (AUC) and compare the results with those of conventional methods such as VAE and LSTM-VAE, and we have demonstrated that the proposed method's model is useful as a highly sensitive anomaly detector with fewer false positives.

국문 초록 (Abstract)

충동성이 강한 아동은 자제력이 약하여 생각한 것을 바로 행동으로 옮기는 경향이 있다. 교실에서 관찰되는 충동성에 기인한 행동의 예로는, 다른 사람의 말을 중단하고 갑작스럽게 자신의 의견을 표현하려 하거나, 수업을 참고 듣지 못하고 다른 행동을 해버리는 경우 등이 있다. 이러한 행동을 보이는 아동은 우울증이나 불안장애와 같은 2차적 장애를 유발할 위험이 있기 때문에, 아동의 적절한 양육 방법을 모색하는 데 있어 충동성에 기인한 행동의 조기 검출은 매우 중요하다. 충동성·과잉행동을 검출하기 위해, 사람의 뇌파(ElectroEncephaloGraphy; EEG) 신호나 비디오 카메라로부터 추출된 골격 정보를 활용하는 방법이 기존에 제안되어 왔다. 그러나 EEG 장치는 물리적 크기가 크기 때문에 아동이 일상 행동을 수행하는 동안 장시간 착용하기 적합하지 않다. 또한 비디오 기반 방법은 손이나 발이 가려지는 경우 정확한 골격 정보를 얻기 어렵고, 카메라의 수를 늘릴 경우 아동의 주의가 카메라 자체로 향할 가능성이 있다. 더불어 충동성에 기인한 행동을 충분히 수집하는 것은 어렵고, 환경이나 상황의 변화를 고려하여 ADHD 피험자로부터 반복적으로 데이터를 수집하는 것은 현실적이지 않다. 이러한 문제를 해결하기 위해, 우리는 IMU 센서를 사용하여 이상 행동을 검출하고자 한다. IMU 센서는 아동의 자세와 무관하게 안정적인 연속 측정이 가능하며, EEG 장치보다 장시간 착용에 적합하다. 또한 충동성에 기인한 행동 데이터를 충분히 수집하기 어렵다는 문제에 대해서는 정상 데이터만을 사용하여 이상 데이터를 검출하는 방법을 제안한다. 구체적으로, 비지도 학습 기반의 변분 오토인코더(Variational Auto-Encoder; VAE) 모델을 사용하여 이상 데이터를 검출한다. 인코더와 디코더에 시간 의존적 특징을 포착할 수 있는 네트워크를 통합함으로써, 아동의 행동을 보다 정확하게 해석할 수 있는 모델을 제안하였다. 실험에서는 기존 방법과의 AUC를 비교함으로써, 제안 모델이 오검출이 적고 민감도가 높은 이상 검출기로서 유용함을 보였다.

목차 (Table of Contents)

• I. Introduction 1
• 1. Background and Motivation 1
• 2. Research Objective 4
• 3. Problem Statement 4
• 4. Contributions and Thesis Outline 6
• II. Related Work 7
• III. Variational Autoencoding and Anomaly Detection 9
• 1. VAE 9
• 2. Anomaly Detection 11
• IV. Proposed Method 14
• 1. Neural Network Capturing Temporal Dependencies 14
• 2. Anomaly Score Metric 16
• V. Experiments and Results 18
• 1. Dataset 18
• 1.1. Experimental Setup 18
• 1.2. Data Collection and Experimental Procedure 21
• 1.3. Annotation for Abnormal Behavior 23
• 1.4. Dataset Construction 24
• 2. Evaluation 25
• 3. Results 25
• 3.1. VAE Reconstruction Results 25
• 3.2. LSTM-VAE Reconstruction Results 28
• 3.3. Transformer VAE Reconstruction Results 30
• 3.4. TVL Reconstruction Results 31
• 3.5. TVM Reconstruction Results 33
• 3.6. Comparison of Classifiability Between LSTM-VAE and TVL 35
• 3.7. AUC 36
• 4. Support for Identifying Environmental Factors 37
• VI. Conclusion 39
• References 40
• Acknowledgement 44
• Publications 45