利用图形神经网络来检测不良健康状况和个性化决策,用于痴呆症护理的基于传感器的远程监控

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 医疗保健技术 技术 医疗保健 技术

背景情况:

• 痴呆症患者的远程健康监测 (PLwD) 使用传感器在家中检测不良事件,旨在预防住院治疗和减少护理人员负担.
• 现有的传感器数据带来了诸如噪声,细粒度,不可靠的标签,数据漂移和可变性等挑战,限制了目前的异常检测方法.
• 目前的异常检测方法缺乏通用性和个性化,通常需要无异常训练数据和频繁的模型更新.

研究的目的:

• 开发一种轻量级,可解释和自我监督的方法来检测PLwD中使用家庭活动的不良健康事件.
• 实施个性化的警报值,以提高精度,减少痴呆症护理中的错误阳性.
• 为了利用家庭活动模式的变化来早期发现健康衰退.

主要方法:

• 采用图形巴洛双胞胎对比模型,从颗粒状活动数据中提取噪声强度,高水平和低水平的区分特征.
• 该模型通过将颗粒状传感器数据与宏观视图相结合来分析日常活动模式.
• 根据临床医生设定的目标警报率计算了家庭个性化的警报值,模型注意力权重提供了可解释性.

主要成果:

• 与最先进的时间图算法相比,开发的模型在检测动和跌倒事件方面表现出更高的性能.
• 该模型在7%的目标警报率下,在三个患者队列中实现了平均81%的回忆率和88%的概括性.
• 该方法有效地确定了家庭移动模式的变化,这表明健康状况下降.

结论:

• 一个新的,轻量级,可解释和个性化的Graph Barlow Twins模型被开发用于在痴呆症护理中的现实世界远程健康监测.
• 该模型提供了一个强大的解决方案,用于使用基于传感器的家庭活动数据来检测不良健康事件.
• 该方法显示了在医疗保健和其他基于传感器的监控环境中更广泛应用的潜力.