Room-Aware Transformer for Activities of Daily Living Recognition in Adults with Mild Neurocognitive Disorder Using Ambient Sensors: Development and Evaluation Study
Deze studie toont aan dat een kamerbewuste Transformer-architectuur, die locatie-specifieke sensorstructuren behoudt, contextafhankelijke verbeteringen biedt bij het herkennen van dagelijkse activiteiten voor volwassenen met een milde neurocognitieve stoornis met behulp van omgevingssensoren, hoewel de prestaties aanzienlijk variëren tussen woningen en activiteittypen, wat de noodzaak benadrukt voor gepersonaliseerde modelontwikkeling voorafgaand aan klinische toepassing.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
In het stille ritme van het dagelijks leven vertelt de manier waarop een persoon zich door hun huis beweegt een verhaal. Voor volwassenen met een milde neurocognitieve stoornis, een aandoening waarbij de cognitieve vaardigheden iets meer afnemen dan bij normale veroudering maar de dagelijkse onafhankelijkheid grotendeels intact blijft, kunnen deze patronen op subtiele wijze verschuiven lang voordat een arts het opmerkt. Traditionele methoden om deze veranderingen te volgen, zijn afhankelijk van incidentele kliniekbezoeken of de herinneringen van familieleden, wat de langzame, gestage verschuiving in een routine kan missen. Om deze veranderingen vroegtijdig te detecteren, hebben onderzoekers zich gericht op onopvallende sensoren—kleine, discrete apparaten geplaatst in woningen die beweging, temperatuur, licht en het openen van deuren registreren zonder camera's of microfoons. Deze sensoren creëren een continu, minuutverslag van de activiteiten in een huishouden, wat een venster biedt op hoe een persoon functioneert in de eigen leefomgeving. De uitdaging is echter dat elk huis anders is; lay-outs variëren, plaatsing van sensoren verschilt en mensen bewegen op unieke manieren, wat het moeilijk maakt om één enkel computerprogramma te bouwen dat overal werkt.
Een team van onderzoekers zette zich in om dit probleem op te lossen door een computer te leren dagelijkse activiteiten te herkennen, zoals eten, slapen of van kamer naar kamer bewegen, met behulp van gegevens van vijf echte woningen van volwassenen met een milde neurocognitieve stoornis. Ze testten of een nieuw type computermodel, dat specifieke aandacht besteedt aan de locatie van elke sensor, deze routines beter kon begrijpen dan oudere, algemenere modellen. De onderzoekers verzamelden bijna 93.000 minuten aan gegevens van bewegingsdetectoren, temperatuurmeters, lichtsensoren en deurcontacten in vijf verschillende huizen. Ze koppelden deze sensordata aan gedetailleerde logboeken geschreven door de deelnemers en hun verzorgers, waarin precies werd vastgelegd welke activiteit er plaatsvond en waar. Om de gegevens beheersbaar te maken, groepeerden ze de oorspronkelijke dertien soorten activiteiten in acht bredere categorieën, zoals "Slapen/Rusten", "Eten" en "Vrije tijd/Sociaal".
Het team trainde drie verschillende soorten computermodellen om deze activiteiten te voorspellen. Eén model was een standaardbenadering die alle sensordata als één, gemengde stroom behandelde. Een ander model was geavanceerder en keek naar de gehele sequentie van gebeurtenissen tegelijkertijd. Het derde, en meest vernieuwende, was een "kamerbewust" model. Dit model was ontworpen om te begrijpen dat een bewegingssensor in een keuken een ander verhaal vertelt dan een sensor in een slaapkamer. In plaats van alle gegevens direct te mengen, verwerkte dit model eerst de signalen van elke kamer afzonderlijk, waarbij het de specifieke patronen van beweging en omgevingsveranderingen voor die ruimte leerde, voordat het de gegevens combineerde om het volledige verhaal van de dag te begrijpen. Ze testten deze modellen met tijdsvensters van 10, 30 en 60 minuten om te zien hoeveel context uit het verleden de computer nodig had om een nauwkeurige inschatting te maken van wat er op dat moment gebeurde.
De resultaten toonden aan dat geen enkel model perfect was voor elke situatie, maar dat de kamerbewuste benadering duidelijke voordelen bood in specifieke contexten. In negen van de vijftien vergelijkingen tussen verschillende huizen en tijdsvensters behaalde het kamerbewuste model de hoogste nauwkeurigheid, waarbij het activiteiten vaker correct identificeerde dan de andere modellen. In één huis identificeerde het kamerbewuste model bijvoorbeeld activiteiten in 37% van de gevallen over een venster van 60 minuten, terwijl de andere modellen slechts 33% en 23% haalden. De studie vond echter ook dat het kamerbewuste model niet consistent won in elke categorie. Wanneer de mogelijkheid van het model werd gemeten om tussen verschillende activiteiten te onderscheiden met behulp van een andere statistische score, presteerde het standaardmodel dat de kamerlocaties negeerde soms iets beter. Dit suggereert dat hoewel weten waar een sensor zich bevindt helpt, het niet automatisch elk probleem oplost, en dat de beste aanpak sterk afhangt van de specifieke indeling van het huis en de gewoonten van de persoon die er woont.
De onderzoekers ontdekten ook dat de lengte van het tijdsvenster ertoe deed, maar niet op een eenvoudige manier. Soms was het kijken naar slechts de laatste 10 minuten aan gegevens voldoende om het beste resultaat te krijgen, terwijl in andere huizen het terugkijken naar 60 minuten hielp. Er was geen universele regel dat langere observatieperioden altijd leidden tot betere voorspellingen. De modellen waren ook veel beter in het herkennen van veelvoorkomende activiteiten zoals slapen of rusten, die een groot deel van de gegevens uitmaakten, dan in het opsporen van zeldzame of korte activiteiten zoals aankleden of het gebruik van het toilet. In feite hadden de modellen moeite met het maken van betrouwbare voorspellingen voor sommige van deze minder frequente taken, waarbij ze vaak erg laag scoorden. Dit onderstreept een aanzienlijke hindernis: de computer heeft veel voorbeelden nodig om te leren hoe hij zeldzame gebeurtenissen moet herkennen, en in echte huizen komen sommige activiteiten simpelweg niet vaak genoeg voor om het systeem goed te onderwijzen.
Uiteindelijk suggereert de studie dat het bouwen van een systeem om het dagelijks leven van mensen met een milde cognitieve achteruitgang te monitoren, een gepersonaliseerde aanpak vereist. Een model dat goed werkt in het ene huis, werkt mogelijk niet in een ander huis vanwege verschillen in de inrichting van de woning of de manier waarop de persoon beweegt. Het kamerbewuste model toonde veelbelovendheid door de unieke structuur van elk huis te respecteren, maar het was geen magische oplossing die overal werkte. De onderzoekers concludeerden dat voordat dergelijke technologie gebruikt kan worden om medische zorg of ondersteuning voor families te sturen, het getest moet worden in veel grotere en diversere groepen mensen. De weg vooruit ligt in het verfijnen van deze modellen om de rommelige, gevarieerde realiteit van echte huizen aan te kunnen, zodat de technologie betrouwbaar de subtiele tekenen van verandering kan opmerken die er het meest toe doen voor de mensen die er wonen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.