Using mmWave Radar and Deep Learning to Classify Caregiver Activities for Infection Prevention
Notice bibliographique
Résumé
Healthcare-associated infections (HAIs) pose significant risks in clinical environments, and the type of caregivers' activities in patient room play a crucial role in infection transmission. To address this, we present an activity recognition system that uses 3D point cloud data from mmWave radar to classify caregivers' actions and assess their associated infection risk levels while preserving their privacy. Our dataset, collected in a simulated hospital environment, includes 30 distinct caregiver activities categorized into four risk levels based on the type of contact: walking, environmental contact, low-risk patient contact, and high-risk patient contact. We evaluated three deep learning models-PointNet++, Pointformer, and DGCNN-using 5-fold cross-validation to determine the most effective approach for real-world deployment. PointNet++ achieved the best overall performance, with a classification accuracy of 75.16% ± 3.51% and an F1-score of 67.08% ± 2.15% when distinguishing all 30 activities. After grouping activities based on risk levels, performance improved significantly, with 90.84% ± 3.49% accuracy and 88.68% ± 1.85% F1-score. Our results demonstrate the feasibility of non-intrusive, privacy-preserving activity recognition using mmWave radar, enabling automated monitoring systems to enhance infection prevention strategies in clinical settings. Future work will focus on experiments with different validation methods and improving the deep learning models' architectures.Clinical Relevance- This research helps the healthcare facilities such as Infection Prevention and Control (IPAC) experts to understand the events inside the patient rooms while not violating the privacy of patients and staff and predict and prevent possible infection transmission cases.
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 | 0,000 |
| 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 ».