Los modelos de lenguaje grandes mejoran la detección de invariancia de escena de comportamientos de riesgo en...

Área de la Ciencia:

• Inteligencia Artificial
• Visión por Computadora
• Gerontología

Sus antecedentes:

• Los síntomas conductuales y psicológicos de la demencia (BPSD) presentan importantes desafíos de seguridad en la atención residencial.
• La videovigilancia automatizada ofrece potencial para la detección temprana de comportamientos de riesgo.
• Los métodos actuales de aprendizaje profundo luchan con la degradación del rendimiento en entornos no vistos.

Objetivo del estudio:

• Desarrollar una red de aprendizaje profundo no supervisada e invariante a la escena para detectar comportamientos de riesgo en pacientes con demencia.
• Mejorar el rendimiento de generalización de los sistemas de detección de comportamiento en diferentes vistas de cámara.
• Mejorar la intervención oportuna del personal y reducir la escalada de incidentes en entornos de atención.

Principales métodos:

• Se propuso una red de aprendizaje profundo no supervisada basada en fusión e invariante a la escena.
• Se integró la generación de subtítulos y la puntuación basada en modelos de lenguaje con la detección de anomalías de video.
• Se utilizó un autoencoder espacio-temporal ponderado por profundidad para la detección de anomalías y un modelo de lenguaje grande para la puntuación basada en subtítulos.
• Se recopilaron datos de video de nueve personas con demencia en tres cámaras de pasillo distintas.

Principales resultados:

• El método propuesto demostró un rendimiento superior constante en comparación con los métodos existentes en entornos de la misma cámara y entre cámaras.
• Se obtuvieron altas puntuaciones del área bajo la curva característica operativa del receptor (AUROC): 0,855, 0,84 y 0,805 para las tres cámaras.
• Se mejoró con éxito el rendimiento de generalización para escenas de cámara no vistas.

Conclusiones:

• La red de aprendizaje profundo no supervisada e invariante a la escena desarrollada detecta eficazmente comportamientos de riesgo en pacientes con demencia.
• Este enfoque mejora la fiabilidad de los sistemas automatizados de detección de comportamiento en diversos entornos de atención.
• Motiva una mayor investigación sobre la detección de riesgos de comportamiento entre cámaras para mejorar la atención a la demencia.