利用自训练和变分自编码器通过可穿戴传感器检测痴呆患者的激动行为
人工智能
2024-12-30 v1
摘要
痴呆症是一种神经退行性疾病，近年来在老年人中呈增长趋势。这种增长显著影响患者和照护者的生活质量，因其所引发的症状而产生深远影响。痴呆患者（PwD）在长期护理或医院环境中表现出的焦躁和攻击行为（AA）不仅造成不适，还会增加患者及他人潜在风险。现有解决方案利用不同可穿戴传感器集成人工智能（AI）提供了早期检测AA的途径，但大多数研究受限于准确标记数据集的可用性，这显著影响了这些解决方案在实际场景中的效果。本研究提出一种新颖的方法，用于检测痴呆患者（PwD）的AA。该研究创建了一个多样化的数据集，包含来自加拿大多家医院的14名受试者的三个不同数据集。这些数据集因标注有限而未得到广泛探索。我们提出一种新方法，利用变分自编码器（VAE）进行自训练，以有效检测PwD的AA。该方法旨在学习使用VAE提取的特征表示，然后使用半监督模块生成标签、分类事件并检测AA。我们展示了将自训练与变分自编码器机制结合用于检测PwD的AA显著提高了模型性能。经过测试的技术中，XGBoost分类器达到90.16%的最高准确率。通过有效解决标注数据有限的挑战，该系统不仅学习了新标签，还证明了其在检测AA方面的优越性。
引用
@article{arxiv.2412.19254,
title = {Leveraging Self-Training and Variational Autoencoder for Agitation Detection in People with Dementia Using Wearable Sensors},
author = {Abeer Badawi and Somayya Elmoghazy and Samira Choudhury and Khalid Elgazzar and Amer Burhan},
journal= {arXiv preprint arXiv:2412.19254},
year = {2024}
}