Datos de caídas generados por IA: evaluación de los LLM y el modelo de difusión para la detección de caídas...

Área de la Ciencia:

• Inteligencia artificial
• Ingeniería biomédica
• Ciencia de los datos

Sus antecedentes:

• La formación de sistemas de detección de caídas se ve obstaculizada por la falta de datos de caídas en el mundo real, especialmente de las poblaciones de edad avanzada.
• La generación de datos sintéticos ofrece una solución potencial para aumentar los conjuntos de datos limitados del mundo real.
• La evaluación de modelos avanzados de IA para la simulación de datos realistas es crucial para mejorar las tecnologías de atención médica.

Objetivo del estudio:

• Investigar la eficacia de los grandes modelos lingüísticos (LLM) en la generación de datos sintéticos de caídas para los sistemas de detección de caídas.
• Comparar el rendimiento de los LLM de texto a movimiento y de texto a texto con un método basado en la difusión para la generación de datos sintéticos.
• Evaluar el impacto de los datos sintéticos generados por LLM en el rendimiento de un modelo de detección de caídas de memoria larga a corto plazo (LSTM).

Principales métodos:

• Datos de caída sintéticos generados utilizando varios modelos de LLM (GPT4o, GPT4, Gemini) y de texto a movimiento (SATO, ParCo).
• Conjuntos de datos sintéticos integrados con conjuntos de datos de referencia del mundo real para la formación y evaluación de un modelo de detección de caídas LSTM.
• Se compararon los datos generados por el LLM y los datos sintéticos basados en la difusión con las distribuciones reales de los datos del acelerómetro.

Principales resultados:

• Los datos sintéticos generados por LLM mejoraron el rendimiento de detección de caídas, particularmente en configuraciones de baja frecuencia (20 Hz), pero mostraron inestabilidad en conjuntos de datos de alta frecuencia (200 Hz).
• Los modelos de texto a movimiento arrojaron datos más realistas desde el punto de vista biomecánico que los modelos de texto a texto, aunque su impacto en la detección varió.
• Los datos sintéticos basados en difusión coincidieron estrechamente con las distribuciones de datos reales, pero no mejoraron consistentemente el rendimiento del modelo.

Conclusiones:

• La eficacia de los datos sintéticos para la detección de caídas depende de las características del conjunto de datos, la colocación del sensor y la representación de la caída.
• Los LLM ofrecen un enfoque viable para generar datos sintéticos de caídas, con modelos de texto a movimiento que muestran potencial para una simulación biomecánica realista.
• Se necesita más investigación para optimizar las estrategias de generación de datos sintéticos para sistemas de detección de caídas robustos y confiables en diversas condiciones.