Room-Aware Transformer for Activities of Daily Living Recognition in Adults with Mild Neurocognitive Disorder Using Ambient Sensors: Development and Evaluation Study
यह अध्ययन प्रदर्शित करता है कि एक रूम-अवेयर (room-aware) ट्रांसफॉर्मर आर्किटेक्चर, जो स्थान-विशिष्ट सेंसर संरचनाओं को संरक्षित करता है, एम्बिएंट सेंसरों का उपयोग करके हल्के न्यूरोकॉग्निटिव डिसऑर्डर वाले वयस्कों के लिए दैनिक जीवन की गतिविधियों को पहचानने में संदर्भ-निर्भर सुधार प्रदान करता है, हालांकि प्रदर्शन विभिन्न घरों और गतिविधि प्रकारों के बीच काफी भिन्न होता है, जो नैदानिक अनुप्रयोग से पहले व्यक्तिगत मॉडल विकास की आवश्यकता पर प्रकाश डालता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
दैनिक जीवन की शांत लय में, एक व्यक्ति अपने घर में जिस तरह से चलता-फिरता है, वह एक कहानी बताता है। हल्के न्यूरोकॉग्निटिव डिसऑर्डर (mild neurocognitive disorder) से पीड़ित वयस्कों के लिए—एक ऐसी स्थिति जहाँ सोचने की क्षमता सामान्य उम्र बढ़ने की तुलना में थोड़ी अधिक कम हो जाती है लेकिन दैनिक स्वतंत्रता काफी हद तक बनी रहती है—ये पैटर्न डॉक्टर के ध्यान देने से बहुत पहले ही सूक्ष्म तरीकों से बदल सकते हैं। इन परिवर्तनों को ट्रैक करने के पारंपरिक तरीके या तो क्लिनिक के दौरों या परिवार के सदस्यों की यादों पर निर्भर करते हैं, जो दिनचर्या के धीमे और निरंतर बदलावों को चूक सकते हैं। इन परिवर्तनों को जल्दी पकड़ने के लिए, शोधकर्ताओं ने गैर-दखल देने वाले सेंसरों का रुख किया है—घरों में रखे गए छोटे, गैर-दखल देने वाले उपकरण जो बिना कैमरे या माइक्रोफ़ोन के गति, तापमान, प्रकाश और दरवाजों के खुलने को ट्रैक करते हैं। ये सेंसर एक घर की गतिविधियों का निरंतर, मिनट-दर-मिनट रिकॉर्ड बनाते हैं, जो यह समझने की खिड़की प्रदान करते हैं कि एक व्यक्ति अपने स्थान में कैसे कार्य करता है। हालाँकि, चुनौती यह है कि हर घर अलग होता है; लेआउट भिन्न होते हैं, सेंसरों का स्थान अलग होता है, और लोग अनूठे तरीकों से चलते हैं, जिससे एक एकल कंप्यूटर प्रोग्राम बनाना कठिन हो जाता है जो हर जगह काम कर सके।
एक टीम ने एक कंप्यूटर को दैनिक गतिविधियों, जैसे कि खाना, सोना, या एक कमरे से दूसरे कमरे में जाना, पहचानने के लिए प्रशिक्षित करके इस समस्या को हल करने का प्रयास किया, जिसके लिए हल्के न्यूरोकॉग्निटिव डिसऑर्डर वाले वयस्कों के पांच वास्तविक घरों के डेटा का उपयोग किया गया। उन्होंने परीक्षण किया कि क्या एक नए प्रकार का कंप्यूटर मॉडल, जो प्रत्येक सेंसर के स्थान पर विशेष ध्यान देता है, पुराने और अधिक सामान्य मॉडलों की तुलना में इन दिनचर्याओं को बेहतर ढंग से समझ सकता है। शोधकर्ताओं ने पांच अलग-अलग घरों में मोशन डिटेक्टर, तापमान गेज, लाइट सेंसर और डोर कॉन्टैक्ट्स से लगभग 93,000 मिनट का डेटा एकत्र किया। उन्होंने इस सेंसर डेटा को प्रतिभागियों और उनके देखभाल करने वालों द्वारा लिखे गए विस्तृत लॉग के साथ जोड़ा, जिसमें ठीक से दर्ज किया गया था कि कौन सी गतिविधि हो रही थी और कहाँ। डेटा को प्रबंधनीय बनाने के लिए, उन्होंने मूल तेरह प्रकार की गतिविधियों को आठ व्यापक श्रेणियों में विभाजित किया, जैसे कि "नींद/विश्राम," "भोजन," और "अवकाश/सामाजिक।"
टीम ने इन गतिविधियों की भविष्यवाणी करने के लिए तीन अलग-अलग प्रकार के कंप्यूटर मॉडल प्रशिक्षित किए। एक मॉडल एक मानक दृष्टिकोण था जिसने सभी सेंसर डेटा को एक ही मिश्रित स्ट्रीम के रूप में माना। दूसरा, एक अधिक उन्नत मॉडल था जिसने एक साथ घटनाओं के पूरे क्रम को देखा। तीसरा, और सबसे नवीन, एक "रूम-अवेयर" (कमरे के प्रति जागरूक) मॉडल था। यह मॉडल यह समझने के लिए डिज़ाइन किया गया था कि रसोई में लगा एक मोशन सेंसर बेडरूम में लगे सेंसर से अलग कहानी बताता है। सभी डेटा को तुरंत मिलाने के बजाय, इस मॉडल ने पहले प्रत्येक कमरे के संकेतों को अलग-अलग संसाधित किया, उस स्थान के लिए विशिष्ट गति और पर्यावरणीय परिवर्तनों के पैटर्न को सीखा, और फिर पूरे दिन की कहानी को समझने के लिए उन्हें संयोजित किया। उन्होंने इन मॉडलों का परीक्षण 10, 30 और 60 मिनट की समय अवधि (time windows) का उपयोग करके किया ताकि यह देखा जा सके कि सटीक अनुमान लगाने के लिए कंप्यूटर को वर्तमान में क्या हो रहा है, इसके बारे में कितने पिछले संदर्भ की आवश्यकता है।
परिणामों से पता चला कि कोई भी एकल मॉडल हर स्थिति के लिए पूर्ण नहीं था, लेकिन रूम-अवेयर दृष्टिकोण ने विशिष्ट संदर्भों में स्पष्ट लाभ दिए। पंद्रह विभिन्न घरों और समय अंतराल के बीच नौ तुलनाओं में, रूम-अवेयर मॉडल ने उच्चतम सटीकता प्राप्त की, यानी इसने अन्य मॉडलों की तुलना में गतिविधियों को अधिक बार सही ढंग से पहचाना। उदाहरण के लिए, एक घर में, रूम-अवेयर मॉडल ने 60 मिनट की विंडो में 37% बार गतिविधियों को सही ढंग से पहचाना, जबकि अन्य मॉडल केवल 33% और 23% ही कर पाए। हालाँकि, अध्ययन में यह भी पाया गया कि रूम-अवेयर मॉडल हर श्रेणी में लगातार नहीं जीत सका। जब एक अलग सांख्यिकीय स्कोर का उपयोग करके विभिन्न गतिविधियों के बीच अंतर करने की मॉडल की क्षमता को मापा गया, तो मानक मॉडल जिसने कमरों के स्थानों को अनदेखा कर दिया था, कभी-कभी थोड़ा बेहतर प्रदर्शन करता था। यह सुझाव देता है कि हालांकि यह जानना कि सेंसर कहाँ है मदद करता है, लेकिन यह हर समस्या को स्वचालित रूप से हल नहीं करता है, और सबसे अच्छा दृष्टिकोण घर के विशिष्ट लेआउट और वहां रहने वाले व्यक्ति की आदतों पर बहुत अधिक निर्भर करता है।
शोधकर्ताओं ने यह भी पाया कि समय की अवधि (time window) मायने रखती थी, लेकिन यह सरल तरीके से नहीं था। कभी-कभी, केवल पिछले 10 मिनट के डेटा को देखना ही सबसे अच्छा परिणाम पाने के लिए पर्याप्त था, जबकि कुछ घरों में, पिछले 60 मिनट को देखना मददगार साबित हुआ। इस बात का कोई सार्वभौमिक नियम नहीं था कि लंबे अवलोकन काल हमेशा बेहतर भविष्यवाणियों की ओर ले जाते हैं। मॉडल सोने या आराम करने जैसी सामान्य गतिविधियों को पहचानने में बहुत बेहतर थे, जो डेटा का एक बड़ा हिस्सा बनाती थीं, बजाय उन दुर्लभ या संक्षिप्त गतिविधियों के जैसे कि कपड़े पहनना या शौचालय का उपयोग करना। वास्तव में, कुछ कम बार होने वाले कार्यों के लिए, मॉडल संघर्ष करते थे और अक्सर बहुत कम स्कोर करते थे। यह एक महत्वपूर्ण बाधा को उजागर करता है: कंप्यूटर को दुर्लभ घटनाओं को पहचानने के लिए बहुत सारे उदाहरणों की आवश्यकता होती है, और वास्तविक दुनिया के घरों में, कुछ गतिविधियाँ इतनी बार नहीं होती हैं कि वे सिस्टम को अच्छी तरह से सिखा सकें।
अंततः, अध्ययन यह सुझाव देता है कि हल्के संज्ञानात्मक गिरावट वाले लोगों के लिए दैनिक जीवन की निगरानी करने वाली प्रणाली बनाने के लिए एक व्यक्तिगत दृष्टिकोण की आवश्यकता है। एक मॉडल जो एक घर में अच्छी तरह काम करता है, वह दूसरे घर में काम नहीं कर सकता है क्योंकि घर की व्यवस्था में अंतर होता है या व्यक्ति के चलने के तरीके में अंतर होता है। रूम-अवेयर मॉडल ने प्रत्येक घर की अनूठी संरचना का सम्मान करके आशा दिखाई, लेकिन यह कोई जादुई समाधान नहीं था जो हर जगह काम करता हो। शोधकर्ताओं ने निष्कर्ष निकाला कि चिकित्सा देखभाल या परिवारों के समर्थन के लिए इस तकनीक का उपयोग करने से पहले, इसे बहुत बड़े और अधिक विविध समूहों में परीक्षण किया जाना चाहिए। आगे का रास्ता इन मॉडलों को परिष्कृत करने में निहित है ताकि वे वास्तविक घरों की अव्यवस्थित और विविध वास्तविकता को संभाल सकें, यह सुनिश्चित करते हुए कि तकनीक उन सूक्ष्म परिवर्तनों को विश्वसनीय रूप से पहचान सके जो वहां रहने वाले लोगों के लिए सबसे महत्वपूर्ण हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।