Room-Aware Transformer for Activities of Daily Living Recognition in Adults with Mild Neurocognitive Disorder Using Ambient Sensors: Development and Evaluation Study
تُظهر هذه الدراسة أن بنية "ترانسفورمر" المدركة للغرفة، والتي تحافظ على هياكل المستشعرات الخاصة بالموقع، توفر تحسينات تعتمد على السياق في التعرف على أنشطة الحياة اليومية للبالغين الذين يعانون من اضطراب معرفي عصبي طفيف باستخدام المستشعرات المحيطة، رغم أن الأداء يتباين بشكل كبير عبر المنازل وأنواع الأنشطة، مما يسلط الضوء على الحاجة إلى تطوير نماذج مخصصة قبل التطبيق السريري.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
في الإيقاع الهادئ للحياة اليومية، تروي الطريقة التي يتحرك بها الشخص داخل منزله قصة ما. بالنسبة للبالغين الذين يعانون من اضطراب معرفي عصبي طفيف، وهي حالة تتراجع فيها المهارات الذهنية بشكل أكبر قليلاً من الشيخوخة الطبيعية مع بقاء الاستقلالية اليومية سليمة إلى حد كبير، يمكن أن تتغير هذه الأنماط بطرق دقيقة قبل وقت طويل من ملاحظة الطبيب لها. تعتمد الطرق التقليدية لتتبع هذه التغييرات على زيارات عيادية غير متكررة أو على ذاكرة أفراد الأسرة، والتي قد تغفل عن الانحراف البطيء والثابت في الروتين. ولرصد هذه التغييرات مبكراً، لجأ الباحثون إلى مستشعرات غير اقتحامية — وهي أجهزة صغيرة غير مزعجة توضع في المنازل لتتبع الحركة، ودرجة الحرارة، والضوء، وفتح الأبواب دون استخدام كاميرات أو ميكروفونات. وتنشئ هذه المستشعرات سجلاً مستمراً ودقيقاً (دقيقة بدقيقة) لنشاط المنزل، مما يوفر نافذة على كيفية أداء الشخص لوظائفه في مساحته الخاصة. ومع ذلك، فإن التحدي يكمن في أن كل منزل مختلف؛ فالتصاميم تتباين، وأماكن وضع المستشعرات تختلف، والناس يتحركون بطرق فريدة، مما يجعل من الصعب بناء برنامج حاسوبي واحد يعمل في كل مكان.
لقد سعى فريق من الباحثين لحل هذه المشكلة من خلال تعليم الحاسوب التعرف على الأنشطة اليومية، مثل الأكل أو النوم أو الانتقال من غرفة إلى أخرى، باستخدام بيانات من خمسة منازل حقيقية لبالغين يعانون من اضطراب معرفي عصبي طفيف. واختبروا ما إذا كان نوع جديد من النماذج الحاسوبية، الذي يولي اهتماماً خاصاً لموقع كل مستشعر، يمكنه فهم هذه الروتينات بشكل أفضل من النماذج الأقدم والأكثر عمومية. جمع الباحثون ما يقرب من 93,000 دقيقة من البيانات من كواشف الحركة، ومقاييس درجة الحرارة، ومستشعرات الضوء، وملامسات الأبواب عبر خمسة منازل مختلفة. وقاموا بربط بيانات المستشعرات هذه بسجلات مفصلة كتبها المشاركون ومقدمو الرعاية لهم، والتي سجلت بالضبط النشاط الذي كان يحدث وأين. ولجعل البيانات قابلة للإدارة، قاموا بتجميع الأنشطة الثلاثة عشر الأصلية في ثماني فئات أوسع، مثل "النوم/الراحة"، و"الأكل"، و"الترفيه/التواصل الاجتماعي".
قام الفريق بتدريب ثلاثة أنواع مختلفة من النماذج الحاسوبية للتنبؤ بهذه الأنشطة. كان أحد النماذج عبارة عن نهج قياسي يعامل جميع بيانات المستشعرات كمجرى واحد مختلط. وكان النموذج الآخر أكثر تقدماً، حيث ينظر إلى تسلسل الأحداث بأكمله في آن واحد. أما الثالث، والأكثر ابتكاراً، فكان نموذجاً "واعياً بالغرفة". صُمم هذا النموذج ليفهم أن مستشعر الحركة في المطبخ يروي قصة مختلفة عن مستشرف في غرفة النوم. وبدلاً من خلط جميع البيانات معاً على الفور، قام هذا النموذج أولاً بمعالجة الإشارات من كل غرفة على حدة، ليتعلم أنماط الحركة والتغيرات البيئية الخاصة بكل مساحة، قبل دمجها لفهم قصة اليوم الكاملة. واختبروا هذه النماذج باستخدام نوافذ زمنية مدتها 10، و30، و60 دقيقة لمعرفة مقدار السياق الماضي الذي يحتاجه الحاسوب لتقديم تخمين دقيق عما يحدث في الوقت الحالي.
أظهرت النتائج أنه لا يوجد نموذج واحد مثالي لكل موقف، لكن النهج الواعي بالغرفة قدم مزايا متميزة في سياقات محددة. ففي تسع من أصل خمس عشرة مقارنة بين المنازل والنوافذ الزمنية المختلفة، حقق النموذج الواعي بالغرفة أعلى دقة، حيث حدد النشاط بشكل صحيح في كثير من الأحيان أكثر من النماذج الأخرى. فعلى سبيل المثال، في أحد المنازل، حدد النموذج الواعي بالغرفة الأنشطة بشكل صحيح بنسبة 37% في نافذة زمنية مدتها 60 دقيقة، بينما تمكنت النماذج الأخرى من تحقيق 33% و23% فقط. ومع ذلك، وجدت الدراسة أيضاً أن النموذج الواعي بالغرفة لم ينتصر باستمرار في كل فئة. فعند قياس قدرة النموذج على التمييز بين الأنشطة المختلفة باستخدام مقيًا إحصائياً مختلفاً، كان النموذج القياسي الذي يتجاهل مواقع الغرف يتفوق أحياناً بشكل طفيف. وهذا يشير إلى أنه على الرغم من أن معرفة موقع المستشعر تساعد، إلا أنها لا تحل كل مشكلة تلقائياً، وأن النهج الأفضل يعتمد بشدة على التصميم المحدد للمنزل وعادات الشخص الذي يعيش فيه.
اكتشف الباحثون أيضاً أن طول النافذة الزمنية كان مهماً، ولكن ليس بطريقة بسيطة. فأحياناً، كان النظر في آخر 10 دقائق من البيانات كافياً للحصول على أفضل نتيجة، بينما في منازل أخرى، ساعد النظر إلى الوراء لمدة 60 دقيقة. لم تكن هناك قاعدة عالمية تفيد بأن فترات المراقبة الأطول تؤدي دائماً إلى تنبؤات أفضل. كما كانت النماذج أفضل بكثير في التعرف على الأنشطة الشائعة مثل النوم أو الراحة، والتي تشكل جزءاً كبيراً من البيانات، مقارنة بقدرتها على رصد الأنشطة النادرة أو القصيرة مثل ارتداء الملابس أو استخدام المرحاض. وفي الواقع، بالنسبة لبعض هذه المهام الأقل تكراراً، واجهت النماذج صعوبة في تقديم تنبؤات موثوقة، حيث سجلت غال true درجات منخفضة جداً. وهذا يسلط الض الضوء على عقبة كبيرة: يحتاج الحاسوب إلى الكثير من الأمثلة ليتعلم كيفية التعرف على الأحداث النادرة، وفي المنازل الواقعية، ببساطة لا تحدث بعض الأنشطة بوتيرة كافية لتعليم النظام بشكل جيد.
في نهاية المط الأمر، تشير الدراسة إلى أن بناء نظام لمراقبة الحياة اليومية للأشخاص الذين يعانون من تدهور معرفي طفيف يتطلب نهجاً شخصياً. فالنموذج الذي يعمل جيداً في منزل واحد قد لا يعمل في منزل آخر بسبب الاختلافات في كيفية ترتيب المنزل أو كيفية حركة الشخص. لقد أظهر النموذج الواعي بالغرفة وعداً من خلال احترامه للهيكل الفريد لكل منزل، لكنه لم يكن حلاً سحرياً يعمل في كل مكان. وخلص الباحثون إلى أنه قبل أن يمكن استخدام مثل هذه التكنولوجيا لتوجيه الرعاية الطبية أو الدعم للعائلات، يجب اختبارها في مجموعات أكبر وأكثر تنوعاً من الناس. ويتضمن المسار المستقبلي تحسين هذه النماذج للتعامل مع الواقع الفوضوي والمتنوع للمنازل الحقيقية، لضمان قدرة التكنولوجيا على رصد العلامات الدقيقة للتغيير التي تهم أكثر من يهمهم الأمر ممن يعيشون هناك.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.