基于LLM的阿尔茨海默病患者活动数据综合框架
机器学习
2025-03-04 v1 计算机视觉与模式识别
摘要
阿尔茨海默病(AD)已成为日益紧迫的全球性健康问题，亟需有效的监测解决方案。然而，开发此类解决方案受限于AD特定活动数据稀缺的挑战。为此，我们提出SHADE-AD，一个基于大语言模型(LLM)的框架，用于综合嵌入AD特征的人类活动数据集。该框架利用公共数据集和我们自采集自99名AD患者的数据，合成具体代表AD相关行为的人类活动视频。通过采用三阶段训练机制，扩展了活动范围，超越了受限部署环境中收集的活动。我们对生成的数据集进行了全面评估，结果显示在人类活动识别(HAR)检测等下游任务中显著提升，提升幅度达79.69%。详细的运动指标对比显示，真实数据与合成数据之间的差异表现出强烈的一致性，验证了合成数据集的真实性和实用性。这些结果凸显了SHADE-AD在为AD监测提供成本效益高、隐私保护强的解决方案方面的潜力。
引用
@article{arxiv.2503.01768,
title = {SHADE-AD: An LLM-Based Framework for Synthesizing Activity Data of Alzheimer's Patients},
author = {Heming Fu and Hongkai Chen and Shan Lin and Guoliang Xing},
journal= {arXiv preprint arXiv:2503.01768},
year = {2025}
}
备注
7 pages, 6 figures, ACM SenSys'25