Room-Aware Transformer for Activities of Daily Living Recognition in Adults with Mild Neurocognitive Disorder Using Ambient Sensors: Development and Evaluation Study
本研究表明，一种能够保留特定位置传感器结构的房间感知型 Transformer 架构，在利用环境传感器识别轻度神经认知障碍成人的日常生活活动方面提供了上下文相关的改进，尽管其性能在不同家庭和活动类型之间存在显著差异，这凸显了在临床应用前进行个性化模型开发的必要性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在日常生活的静谧节奏中，一个人在居所中的活动方式讲述着一个故事。对于轻度神经认知障碍患者而言——这是一种思维能力比正常衰老下降得稍快，但日常生活独立性基本保持完好的状况——这些模式会在医生察觉之前，以微妙的方式发生转变。传统的监测方法依赖于频率较低的诊所就诊或家属的记忆，这可能会错过日常规律中缓慢而稳定的偏移。为了及早发现这些变化，研究人员转向了非侵入式传感器——这些放置在家庭中、不具侵入性的微小设备，可以追踪运动、温度、光照和门开关情况，且无需摄像头或麦克风。这些传感器创建了一个关于家庭活动的连续、逐分钟的记录，为人们在自身空间内的功能表现提供了一个窗口。然而，挑战在于每个家都是不同的：布局各异，传感器位置不同，且人们的移动方式也各具特色，这使得构建一个能在任何地方通用的单一计算机程序变得十分困难。
一个研究小组致力于解决这一问题，他们通过利用来自五个真实家庭（居住着轻度神经认知障碍患者）的数据，教计算机识别日常活动，例如进食、睡眠或在房间之间移动。他们测试了一种新型计算机模型——该模型特别关注每个传感器的位置——是否能比旧有的、更通用的模型更好地理解这些常规。研究人员从运动检测器、温度计、光敏传感器和门接触传感器中收集了近 93,000 分钟的数据。他们将这些传感器数据与参与者及其护理人员编写的详细日志进行配对，这些日志准确记录了正在进行的活动及其发生的地点。为了使数据易于处理，他们将原始的 13 种活动归纳为 8 个更广泛的类别，例如“睡眠/休息”、“进食”以及“休闲/社交”。
该团队训练了三种不同类型的计算机模型来预测这些活动。第一种模型是标准方法，它将所有传感器数据视为一个单一的混合流。第二种是更先进的模型，它会同时观察整个事件序列。第三种，也是最具创新性的，是一个“感知房间”的模型。该模型旨在理解：厨房里的运动传感器所传达的信息与卧室里的运动传感器所传达的信息是不同的。该模型并没有立即混合所有数据，而是首先分别处理来自每个房间的信号，学习该特定空间的运动模式和环境变化，然后再将其结合起来以理解全天的故事。他们使用 10 分钟、30 分钟和 60 分钟的时间窗口来测试这些模型，以观察计算机需要多少过去的上下文信息才能对当前的活动做出准确推测。
结果显示，没有哪种模型能够完美适用于所有情况，但“感知房间”的方法在特定语境下展现出了明显的优势。在 15 次不同房屋和时间窗口的对比中，有 9 次“感知房间”模型实现了最高的准确率，即它比其他模型更能正确识别活动。例如，在其中一个家庭中，在 60 分钟的时间窗口内，“感知房间”模型正确识别活动的比例为 37%，而其他模型仅为 33% 和 23%。然而，研究也发现，“感知房间”模型并非在所有类别中都能稳赢。当使用另一种统计评分来衡量模型区分不同活动的能力时，那个忽略房间位置的标准模型有时表现得略好。这表明，虽然了解传感器位置有所帮助，但它并不能自动解决所有问题，且最佳方案很大程度上取决于房屋的具体布局以及居住者的习惯。
研究人员还发现，时间窗口的长度很重要，但并非简单的线性关系。有时，仅查看过去 10 分钟的数据就足以获得最佳结果；而在其他家庭中，回顾 60 分钟则会有所帮助。并没有一条普遍规律表明更长的观察期总能带来更好的预测。此外，模型在识别常见的活动（如睡眠或休息，这类活动占据了大部分数据）方面表现得比识别罕见或短暂活动（如穿衣或如厕）要好得多。事实上，对于某些频率较低的任务，模型的预测往往难以可靠，得分通常很低。这凸显了一个重大障碍：计算机需要大量的样本才能学会如何识别罕见事件，而在现实世界的家庭中，某些活动发生的频率根本不足以很好地教导系统。
最终，这项研究表明，为轻度认知障碍人群构建日常监测系统需要一种个性化的方法。一个在某一户人家表现良好的模型，在另一户人家可能并不适用，因为两者的房屋结构或人的活动方式存在差异。“感知房间”模型通过尊重每个家庭的独特结构展现了潜力，但它并不是一个在任何地方都奏效的万能方案。研究人员得出结论，在将此类技术用于指导医疗护理或支持家庭之前，必须在规模更大、更多样化的人群中对其进行测试。未来的路径在于改进这些模型，使其能够应对现实家庭中杂乱且多变的现实情况，从而确保这项技术能够可靠地捕捉到那些对生活在其中的人们至关重要的细微变化。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。