Evaluación comparativa de modelos de reconocimiento de acciones para la detección de autolesiones en conjuntos de...

Área de la Ciencia:

• Ciencias de la computación; Inteligencia artificial; Psicología clínica

Sus antecedentes:

• Los sistemas automatizados para prevenir autolesiones de pacientes en entornos psiquiátricos son cruciales, pero carecen de datos de entrenamiento realistas suficientes.; Los conjuntos de datos existentes a menudo no logran capturar la diversidad y complejidad de los comportamientos observados en entornos clínicos reales.

Objetivo del estudio:

• Introducir un nuevo conjunto de datos para entrenar y evaluar sistemas automatizados de prevención de autolesiones.; Evaluar comparativamente los modelos de reconocimiento de acciones de última generación en comportamientos simulados y del mundo real de pacientes.; Analizar la brecha de rendimiento entre los datos simulados y los del mundo real e identificar las limitaciones.

Principales métodos:

• Se creó un nuevo conjunto de datos que comprende 1120 videos simulados de cortes y 118 videos del mundo real (incluidos pellizcos y rasguños).; Se realizó una evaluación comparativa integral de modelos de reconocimiento de acciones basados en convoluciones y transformadores.; La evaluación del rendimiento utilizó una validación cruzada de 7 pliegues Leave-One-Out-Across-Subjects (LOAO) en datos simulados y pruebas directas en datos del mundo real.

Principales resultados:

• El modelo principal, VideoMAEv2, logró una puntuación F1 de 0.65 en datos simulados, pero cayó a 0.61 en datos del mundo real, lo que indica una brecha significativa de 'simulación a realidad'.; Los modelos tuvieron dificultades para generalizar debido a la naturaleza uniforme de las acciones simuladas en comparación con los comportamientos diversos y ocluidos en entornos auténticos.; El análisis cualitativo reveló puntos de falla específicos en la generalización del modelo.

Conclusiones:

• Los modelos actuales de reconocimiento de acciones exhiben limitaciones para generalizar a partir de comportamientos simulados de autolesión de pacientes a comportamientos del mundo real.; El conjunto de datos y el punto de referencia desarrollados proporcionan una base para la investigación futura en esta área crítica.; Existe una necesidad urgente de conjuntos de datos más diversos y enfoques de IA avanzados para mejorar las tecnologías de seguridad del paciente.