Room-Aware Transformer for Activities of Daily Living Recognition in Adults with Mild Neurocognitive Disorder Using Ambient Sensors: Development and Evaluation Study
Diese Studie zeigt, dass eine raumbezogene Transformer-Architektur, welche die ortsspezifischen Sensorstrukturen bewahrt, kontextabhängige Verbesserungen bei der Erkennung von Aktivitäten des täglichen Lebens für Erwachsene mit leichter neurokognitiver Störung unter Verwendung von Umgebungssensoren bietet, wenngleich die Leistung über verschiedene Wohnungen und Aktivitätstypen hinweg signifikant variiert, was die Notwendigkeit einer personalisierten Modellentwicklung vor der klinischen Anwendung unterstreicht.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Im stillen Rhythmus des täglichen Lebens erzählt die Art und Weise, wie sich ein Mensch durch sein Zuhause bewegt, eine Geschichte. Für Erwachsene mit leichter neurokognitiver Störung – einem Zustand, bei dem die kognitiven Fähigkeiten etwas stärker als beim normalen Altern abnehmen, die tägliche Unabhängigkeit jedoch weitgehend erhalten bleibt – können sich diese Muster auf subtile Weise verändern, lange bevor ein Arzt sie bemerkt. Traditionelle Methoden zur Verfolgung dieser Veränderungen stützen sich auf seltene Klinikbesuche oder die Erinnerungen von Familienangehörigen, was den langsamen, stetigen Drift einer Routine übersehen kann. Um diese Veränderungen frühzeitig zu erfassen, haben sich Forscher unauffälliger Sensoren zugewandt – kleine, unauffällige Geräte, die in Häusern platziert werden und Bewegung, Temperatur, Licht und das Öffnen von Türen erfassen, ohne Kameras oder Mikrofone zu verwenden. Diese Sensoren erstellen eine kontinuierliche, minutengenaue Aufzeichnung der Aktivitäten eines Haushalts und bieten so ein Fenster dazu, wie eine Person in ihrem eigenen Raum funktioniert. Die Herausforderung besteht jedoch darin, dass jedes Zuhause anders ist; Grundrisse variieren, Sensorplatzierungen unterscheiden sich und Menschen bewegen sich auf einzigartige Weise, was es schwierig macht, ein einziges Computerprogramm zu erstellen, das überall funktioniert.
Ein Forscherteam setzte sich zum Ziel, dieses Problem zu lösen, indem es einen Computer lehrte, tägliche Aktivitäten wie Essen, Schlafen oder das Bewegen von einem Raum in einen anderen zu erkennen, unter Verwendung von Daten aus fünf echten Haushalten von Erwachsenen mit leichter neurokognitiver Störung. Sie testeten, ob ein neuer Typ von Computermodell, der der Position jedes Sensors spezifische Aufmerksamkeit schenkt, diese Routinen besser verstehen kann als ältere, allgemeinere Modelle. Die Forscher sammelten fast 93.000 Minuten an Daten von Bewegungsmeldern, Temperatursensoren, Lichtsensoren und Türkontakten aus fünf verschiedenen Häusern. Sie kombinierten diese Sensordaten mit detaillierten Protokollen, die von den Teilnehmern und ihren Pflegekräften verfasst wurden und genau aufzeichneten, welche Aktivität wo stattfand. Um die Daten handhabbar zu machen, gruppierten sie die ursprünglichen dreizehn Arten von Aktivitäten in acht breitere Kategorien, wie etwa „Schlaf/Ruhe“, „Essen“ und „Freizeit/Soziales“.
Das Team trainierte drei verschiedene Arten von Computermodellen, um diese Aktivitäten vorherzusagen. Ein Modell war ein Standardansatz, der alle Sensordaten als einen einzigen, gemischten Strom behandelte. Ein anderes war ein fortgeschritteneres Modell, das die gesamte Sequenz von Ereignissen auf einmal betrachtete. Das dritte, und innovativste, war ein „raumbewusstes“ Modell. Dieses Modell wurde entwickelt, um zu verstehen, dass ein Bewegungssensor in der Küche eine andere Geschichte erzählt als einer im Schlafzimmer. Anstatt alle Daten sofort zu vermischen, verarbeitete dieses Modell die Signale aus jedem Raum separat, indem es die spezifischen Bewegungsmuster und Umweltveränderungen für diesen Raum erlernte, bevor es sie kombinierte, um die gesamte Geschichte des Tages zu verstehen. Sie testeten diese Modelle mit Zeitfenstern von 10, 30 und 60 Minuten, um zu sehen, wie viel Kontext aus der Vergangenheit der Computer benötigte, um eine genaue Vermutung darüber anzustellen, was gerade geschieht.
Die Ergebnisse zeigten, dass kein einzelnes Modell perfekt für jede Situation war, aber der raumbewusste Ansatz in spezifischen Kontexten deutliche Vorteile bot. In neun von fünfzehn Vergleichen zwischen verschiedenen Häusern und Zeitfenstern erzielte das raumbewusste Modell die höchste Genauigkeit und identifizierte die Aktivität häufiger korrekt als die anderen Modelle. Beispielsweise identifizierte das raumbewusste Modell in einem Haus die Aktivitäten in einem 60-Minuten-Fenster in 37 % der Fälle korrekt, während die anderen Modelle nur 33 % und 23 % erreichten. Das Studium zeigte jedoch auch, dass das raumbewusste Modell nicht in jeder Kategorie konsistent gewann. Wenn man die Fähigkeit des Modells maß, zwischen verschiedenen Aktivitäten mithilfe eines anderen statistischen Scores zu unterscheiden, schnitt der Standardansatz, der die Raumpositionen ignorierte, manchmal etwas besser ab. Dies deutet darauf hin, dass das Wissen um den Standort eines Sensors zwar hilft, aber nicht automatisch jedes Problem löst, und dass der beste Ansatz stark von der spezifischen Anordnung des Hauses und den Gewohnheiten der dort lebenden Person abhängt.
Die Forscher entdeckten auch, dass die Länge des Zeitfensters eine Rolle spielte, aber nicht auf einfache Weise. Manchmal reichte es aus, nur die letzten 10 Minuten der Daten zu betrachten, um das beste Ergebnis zu erzielen, während in anderen Häusern ein Rückblick auf 60 Minuten half. Es gab keine universelle Regel, dass längere Beobachtungszeiträume immer zu besseren Vorhersagen führten. Die Modelle waren auch viel besser darin, häufige Aktivitäten wie Schlafen oder Ausruhen zu erkennen, die einen großen Teil der Daten ausmachten, als bei selteneren oder kurzen Aktivitäten wie Anziehen oder Toilettengang. Tatsächlich hatten die Modelle bei einigen dieser weniger häufigen Aufgaben Schwierigkeiten, zuverlässige Vorhersagen zu treffen, und erzielten oft sehr niedrige Werte. Dies verdeutlicht eine erhebliche Hürde: Der Computer benötigt viele Beispiele, um zu lernen, wie man seltene Ereignisse erkennt, und in realen Haushalten treten einige Aktivitäten einfach nicht oft genug auf, um das System gut zu lehren.
Letztendlich legt die Studie nahe, dass der Aufbau eines Systems zur Überwachung des täglichen Lebens für Menschen mit leichter kognitiver Beeinträchtigung einen personalisierten Ansatz erfordert. Ein Modell, das in einem Haus gut funktioniert, muss in einem anderen nicht zwangsläufig gut funktionieren, da es Unterschiede in der Anordnung des Hauses oder in der Art und Weise gibt, wie sich die Person bewegt. Das raumbewusste Modell zeigte Potenzial, indem es die einzigartige Struktur jedes Hauses respektierte, aber es war keine magische Lösung, die überall funktionierte. Die Forscher kamen zu dem Schluss, dass diese Technologie, bevor sie zur Unterstützung der medizinischen Versorgung oder der Familien eingesetzt werden kann, an viel größeren und vielfältigeren Gruppen von Menschen getestet werden muss. Der Weg nach vorn besteht darin, diese Modelle zu verfeinern, damit sie mit der unordentlichen, variablen Realität echter Wohnungen umgehen können, um sicherzustellen, dass die Technologie zuverlässig die subtilen Anzeichen von Veränderungen erkennt, die für die Menschen, die dort leben, am wichtigsten sind.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.