计算机视觉启发的对比学习用于基于传感器的远程医疗监测中的自我监督异常检测

科学领域:

• 老年学和健康信息学
• 医疗保健中的人工智能
• 生物医学信号处理

背景情况:

• 使用传感器进行远程医疗监测,有望检测痴呆症患者 (PLwD) 的不良事件,旨在减少住院治疗.
• 现有的异常检测方法面临着噪音数据,不可靠的注释和各种家庭环境的挑战.
• 在计算机视觉中取得成功的对比学习,为在时间序列数据中强有力的异常检测提供了一个潜在的解决方案.

研究的目的:

• 开发一种轻量级的,自我监督的,无负样本的方法来检测使用PLwD的家庭活动变化来检测异常事件.
• 从传感器数据中提取日常活动的噪声强,有区别的表示,用于异常评分.
• 用注意力权重和层级相关性传播来提高异常检测的可解释性.

主要方法:

• 在每小时汇总的每日传感器数据和较低的时间分辨率增强之间应用了一种新的对比损失.
• 异常分数是从学习表现的每日差异中得出的,与个性化值相比较.
• 变压器编码器注意力权重和层级相关性传播用于模型可解释性.

主要成果:

• 拟议的模型在检测三个患者队列中的兴奋和跌倒事件方面表现优于最先进的算法.
• 在7%的目标警报率下,实现了平均86%的回忆率 (SD=4%) 和92%的概括性 (SD=4%).
• 这种对比的框架被证明是无主体的,能够从时间序列数据中提取突出的模式,在各种远程监控设置中.

结论:

• 提出的自我监督对比学习方法有效地检测PLwD中的异常活动,为远程医疗监控提供了强大的解决方案.
• 该方法的噪音稳定性,可解释性和通用性使其适合在家庭痴呆症护理中实际部署.
• 这种域无关的框架在远程监控环境中的各种时间序列异常检测任务中具有潜在的应用.