Empirical Thresholding on Spatio-Temporal Autoencoders Trained on Surveillance Videos in a Dementia Care Unit
Notice bibliographique
Résumé
Agitation is a key behavioural and psychological symptom exhibited by people with dementia. These behaviours can put the patient with dementia and others' health and safety at risk. Surveillance cameras installed in long-term care facilities provide an opportunity to monitor patients continuously and flag behaviours of risks, including agitation. However, agitation behaviours occur rarely and diversely, leading to very small training data. Therefore, an anomaly detection approach is more suitable for this problem. In this paper, we train three baseline spatio-temporal convolutional autoencoders (on raw video, skeletons and segmentation mask) on 21 hours of normal activities and tested it on 9 hours of labelled normal and agitation data collected from a real patient in a dementia unit. The deployment of anomaly detection-based classifiers is challenging in real-world due to the absence of a validation set to obtain an operating threshold to regulate true positive and false positive rates. We present a new approach to create a proxy validation set for unseen agitation events utilizing the outliers within normal activities, and trained two separate autoencoders on normal and outliers activities. Then, we present 11 empirical thresholding approaches (existing, adapted and new) using either only normal training data or the proxy validation set. Our results showed consistently across raw video, skeletons and segmentation masks input that incorporating a proxy validation set improved performance both in terms of geometric means and Matthew's correlation coefficient. This paper highlights the real-world deployment challenges and assessment of the limit of true positives or false positives that can be acceptable in a clinical care environment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».