Room-Aware Transformer for Activities of Daily Living Recognition in Adults with Mild Neurocognitive Disorder Using Ambient Sensors: Development and Evaluation Study
Cette étude démontre qu'une architecture Transformer sensible à la pièce, qui préserve les structures de capteurs spécifiques à l'emplacement, offre des améliorations dépendantes du contexte pour la reconnaissance des activités de la vie quotidienne chez les adultes présentant un trouble neurocognitif léger à l'aide de capteurs ambiants, bien que la performance varie considérablement selon les domiciles et les types d'activités, soulignant la nécessité d'un développement de modèles personnalisés avant toute application clinique.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Dans le rythme tranquille de la vie quotidienne, la façon dont une personne se déplace dans sa maison raconte une histoire. Pour les adultes souffrant de troubles neurocognitifs légers, un état où les capacités de réflexion déclinent légèrement plus que lors du vieillissement normal mais où l'indépendance quotidienne reste largement intacte, ces schémas peuvent changer de manière subtile bien avant qu'un médecin ne s'en aperçoive. Les méthodes traditionnelles de suivi de ces changements reposent sur des visites cliniques peu fréquentes ou sur la mémoire des membres de la famille, ce qui peut passer à côté de la dérive lente et constante d'une routine. Pour détecter ces changements précocement, les chercheurs se sont tournés vers des capteurs non intrusifs — de petits dispositifs discrets placés dans les maisons qui suivent les mouvements, la température, la lumière et l'ouverture des portes sans caméras ni microphones. Ces capteurs créent un enregistrement continu, minute par minute, de l'activité d'un foyer, offrant une fenêtre sur la façon dont une personne fonctionne dans son propre espace. Le défi, cependant, est que chaque maison est différente ; les configurations varient, les emplacements des capteurs diffèrent, et les gens se déplacent de manière unique, ce qui rend difficile la création d'un programme informatique unique capable de fonctionner partout.
Une équipe de chercheurs s'est donné pour mission de résoudre ce problème en apprenant à un ordinateur à reconnaître les activités quotidiennes, telles que manger, dormir ou se déplacer d'une pièce à l'autre, en utilisant des données provenant de cinq maisons réelles d'adultes présentant des troubles neurocognitifs légers. Ils ont testé si un nouveau type de modèle informatique, qui prête une attention spécifique à l'emplacement de chaque capteur, pouvait comprendre ces routines mieux que les modèles plus anciens et plus généraux. Les chercheurs ont collecté près de 93 000 minutes de données provenant de détecteurs de mouvement, de jauges de température, de capteurs de lumière et de contacts de porte à travers cinq maisons différentes. Ils ont couplé ces données de capteurs avec des journaux détaillés rédigés par les participants et leurs soignants, qui enregistraient exactement quelle activité se déroulait et où. Pour rendre les données gérables, ils ont regroupé les treize types d'activités originaux en huit catégories plus larges, telles que « Sommeil/Repos », « Alimentation » et « Loisirs/Social ».
L'équipe a entraîné trois types différents de modèles informatiques pour prédire ces activités. Un modèle était une approche standard qui traitait toutes les données des capteurs comme un flux unique et mixte. Un autre était un modèle plus avancé qui examinait l'ensemble de la séquence d'événements à la fois. Le troisième, et le plus novateur, était un modèle « sensible à la pièce » (room-aware). Ce modèle a été conçu pour comprendre qu'un capteur de mouvement dans une cuisine raconte une histoire différente d'un capteur dans une chambre. Au lieu de mélanger immédiatement toutes les données, ce modèle traitait d'abord les signaux de chaque pièce séparément, apprenant les schémas spécifiques de mouvement et les changements environnementaux propres à cet espace, avant de les combiner pour comprendre l'histoire complète de la journée. Ils ont testé ces modèles en utilisant des fenêtres de temps de 10, 30 et 60 minutes pour voir de quel contexte passé l'ordinateur avait besoin pour faire une supposition précise sur ce qui se passe actuellement.
Les résultats ont montré qu'aucun modèle n'était parfait pour chaque situation, mais que l'approche sensible à la pièce offrait des avantages distincts dans des contextes spécifiques. Dans neuf cas sur quinze de comparaisons entre différentes maisons et fenêtres de temps, le modèle sensible à la pièce a obtenu la plus grande précision, identifiant correctement l'activité plus souvent que les autres modèles. Par exemple, dans une maison, le modèle sensible à la pièce a correctement identifié les activités 37 % du temps sur une fenêtre de 60 minutes, tandis que les autres modèles n'ont réussi que 33 % et 23 %. Cependant, l'étude a également révélé que le modèle sensible à la pièce ne gagnait pas systématiquement dans toutes les catégories. Lorsqu'ils mesuraient la capacité du modèle à distinguer différentes activités à l'aide d'un score statistique différent, le modèle standard qui ignorait l'emplacement des pièces performait parfois légèrement mieux. Cela suggère que, bien que savoir où se trouve un capteur aide, cela ne résout pas automatiquement tous les problèmes, et que la meilleure approche dépend fortement de la configuration spécifique de la maison et des habitudes de la personne qui y vit.
Les chercheurs ont également découvert que la longueur de la fenêtre de temps importait, mais pas de manière simple. Parfois, regarder seulement les 10 dernières minutes de données suffisait pour obtenir le meilleur résultat, tandis que dans d'autres maisons, regarder 60 minutes en arrière aidait. Il n'y avait pas de règle universelle stipulant que des périodes d'observation plus longues menaient toujours à de meilleures prédictions. Les modèles étaient également bien plus performants pour reconnaître les activités courantes comme le sommeil ou le repos, qui constituaient une grande partie des données, que pour repérer des activités rares ou brèves comme s'habiller ou utiliser les toilettes. En fait, pour certaines de ces tâches moins fréquentes, les modèles avaient du mal à faire des prédictions fiables, obtenant souvent des scores très bas. Cela met en évidence un obstacle important : l'ordinateur a besoin de beaucoup d'exemples pour apprendre à reconnaître les événements rares et, dans les foyers réels, certaines activités ne se produisent simplement pas assez souvent pour bien enseigner au système.
En fin de compte, l'étude suggère que la construction d'un système pour surveiller la vie quotidienne des personnes souffrant de déclin cognitif léger nécessite une approche personnalisée. Un modèle qui fonctionne bien dans une maison peut ne pas fonctionner dans une autre en raison des différences dans la disposition de la maison ou dans la façon dont la personne se déplace. Le modèle sensible à la pièce a montré des promesses en respectant la structure unique de chaque foyer, mais il n'était pas une solution magique fonctionnant partout. Les chercheurs ont conclu qu'avant que cette technologie puisse être utilisée pour guider les soins médicaux ou le soutien aux familles, elle doit être testée sur des groupes de personnes beaucoup plus larges et diversifiés. La voie à suivre consiste à affiner ces modèles pour qu'ils puissent gérer la réalité désordonnée et variée des foyers réels, afin de garantir que la technologie puisse repérer de manière fiable les signes subtils de changement qui comptent le plus pour les personnes qui y vivent.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.