Combining Video‐Based Skeletal and Wearable Physiological Data for Early Detection of Agitation in Dementia Using Deep Learning
Notice bibliographique
Résumé
BACKGROUND: Agitation and aggression (AA) in dementia pose significant challenges for patients, caregivers, and healthcare providers. Current detection methods rely on direct observation, delaying intervention and increasing inappropriate psychotropic medication use. Technological approaches, such as actigraphy and multimodal sensory wearables, have shown promise but remain limited in sensitivity and specificity. Advances in deep learning provide new opportunities to enhance early detection by integrating multimodal data sources. METHODS: This study employs a fusion of video-based skeletal keypoints and wearable-driven physiological data to improve AA prediction in individuals with advanced dementia in an inpatient setting. Physiological data were collected using the EmbracePlus wristband, which captures raw signals and digital biomarkers. Concurrently, privacy-compliant software extracted skeletal keypoints from video footage, ensuring patient anonymity. A standardized preprocessing pipeline aligned both data sources through sampling, normalization, and feature extraction. A deep learning framework incorporating recurrent neural networks (RNN) with gated recurrent units (GRU) and attention mechanisms was implemented to identify temporal patterns associated with agitation episodes. RESULTS: Preliminary analysis includes five patients (three females, two males; ages 63-85) with Alzheimer's or mixed pathology dementia and AA. Data collection per participant ranged from 36 to 95.5 hours. Model performance demonstrated an accuracy of 0.98 when integrating both video and wearable data, outperforming single-modality inputs (video: 0.94, wearable: 0.91). CONCLUSIONS: Integrating wearable physiological data with video-derived skeletal keypoints enhances the early detection of agitation in dementia care units. This approach is feasible, privacy-compliant, and improves predictive accuracy. Further research is underway to refine and scale this model for broader clinical application.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».