A feasibility study to explore the use of real‐time caregiver reports for people living with dementia at home to label multi‐modal sensor data
Notice bibliographique
Résumé
Abstract Background Multi‐modal sensor systems, consisting of sensors throughout the home, are able to collect data on the person living with dementia’s (PlwD’s) activities. However, caregivers may have challenges interpreting the data, leading to a lack of actionable information. It’s important to get real‐time reports from caregivers to label the sensor data to build relevant machine learning algorithms; yet, this has not been done with PlwD. The aim of this feasibility study was to explore if the use of a multi‐modal sensor system in conjunction with real‐time caregiver reports can provide valuable insights into the daily lives of PlwD. Method We developed the MAISON (Multimodal AI‐based Sensor platform for Older Individuals) system and deployed it into the homes of dyads (PlwD and their family caregiver) for 8‐weeks. MAISON includes: a smartphone, a smartwatch to continuously collect heart rate, step, and accelerometer data to infer walking, and running, as well as a smart mattress that can collect sleep time and quality. A digital diary was added to the MAISON system that automatically sends the caregiver 2‐3 pre‐set questions every day about their loved one. Caregivers could also report any significant occurrences throughout the day, as they see fit, through the app. Result Two dyads were recruited to date. Only about 15% of data was missing from the sensor system by the end of the study. Caregivers were providing their reports with high adherence. The caregivers’ reports were used to label the sensor data successfully, and upon analysis, we found that caregivers’ reports were reflected in the sensor data and the labels derived from their reports were accurate. Results indicate this study methodology is an innovative approach to utilize the family caregiver’s reports. Conclusion This is the first longitudinal study to demonstrate the feasibility of a multi‐modal sensor system used by caregivers and PwlD. Findings show that caregivers' reports can be useful sources of data for labeling sensor data. The conjunction of caregiver reports and sensor data will provide valuable information to build accurate machine learning models about behaviors of PlwD which is a foundational step to support dyads at home using technology.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».