Le chercheur développe un modèle d'apprentissage génératif pour prédire les chutes
Dans une étude publiée dans la revue Recherche de systèmes d'informationShuo Yu de l'Université Texas Tech et ses collaborateurs ont développé un modèle générateur d'apprentissage automatique pour détecter l'instabilité avant une chute. L'espoir est que le modèle pourrait fonctionner dans les dispositifs de détection des chutes, tels que les gilets d'airbag anti-chute ou les systèmes d'alerte médicale, pour minimiser les blessures, augmenter l'efficacité des interventions d'urgence et réduire les coûts médicaux.
« Vous pouvez traiter cela comme une sorte d'IA (intelligence artificielle) », a déclaré Yu, professeur de systèmes d'information de gestion dans le domaine des systèmes d'information et des sciences quantitatives du Jerry S. Rawls College of Business. « Il détecte votre statut en mouvement et prédit s'il y a une chute. Cela peut aider à atténuer automatiquement les blessures. »
Pour créer le modèle, YU et ses collaborateurs ont travaillé dans les deux ensembles de données accessibles au public qui utilisaient des appareils de capteur de mouvement portables pour surveiller près de 2 000 chutes. Ils ont peigné les ensembles de données et étiqueté des points de données individuels. Ils ont ensuite regroupé ces points en extraits et ont déterminé trois états cachés d'une chute: l'effondrement, l'impact et l'inactivité.
Pensez à un ascenseur. Une personne debout dans un ascenseur est dans un état normal. Le bouton est enfoncé et les portes se ferment. Avec l'accélération soudaine ascendante de l'ascenseur, il y a une légère perte de poids. Cette sensation immédiate, millisecondes dans le trajet, est la phase d'effondrement.
Cette perte de poids se produit à Falls, et c'est exactement là que Yu et son équipe ont concentré leur attention.
« Ces millisecondes sont ce qui compte », a déclaré Yu. « Vous avez besoin de temps pour les données pour traiter et gonfler les airbags ou activer d'autres équipements de protection. Toutes ces millisecondes sont importantes lorsque vous essayez d'améliorer ce processus. »
Plutôt que de suivre une grande partie des recherches antérieures qui reposaient sur des modèles basés sur des règles simples, YU et ses collaborateurs ont créé un nouveau modèle qui comprend un modèle de Markov caché avec un réseau adversaire génératif (HMM-GAN).
HMM est un modèle statistique pour comprendre les séquences au fil du temps et se compose de deux types de variables: observations et états cachés. Dans ce cas, des données de mouvement ont été utilisées pour marquer les observations et les états cachés.
Gan est un modèle d'apprentissage automatique composé de deux parties: un générateur qui essaie de créer de fausses données réalistes et un discriminateur qui essaie de faire la différence entre les données réelles et fausses.
Combiné, Hmm-Gan travaille pour comprendre à quoi ressemble une chute sous forme d'extraits de données, même si les mouvements et les phases varient un peu d'une personne à l'autre. Il essaie également de prédire quand une personne est susceptible de tomber en fonction des modèles de mouvement récents.
À travers quatre expériences, le modèle HMM-GAN a prédit avec précision les chutes et l'a fait plus rapidement, surpassant les cadres précédents.
Pour les personnes âgées et leurs familles, ce nouveau modèle pourrait fournir une tranquillité d'esprit accrue, sachant que les dispositifs de détection d'automne pourraient être déployés plus rapidement. Les chercheurs notent que les hôpitaux ou autres établissements où les chutes des patients sont courants bénéficieraient également de ce nouveau modèle.
Les chercheurs ont mené une simple étude de cas pour voir comment leur modèle pourrait potentiellement réduire les chutes catastrophiques des personnes âgées et des frais médicaux ultérieurs. Le résultat a été plus de 33 millions de dollars d'avantages économiques par rapport aux modèles concurrents.
« Je me sens très heureux de voir ces résultats », a déclaré Yu. « C'est toujours une preuve de concept, mais si ce travail peut conduire à de futures recherches dans les services d'ingénierie ou les champs connexes et peut être transformé en produits réels, ce serait le meilleur. »
Yu espère également que son travail pourra réduire certaines des angoisses entourant l'IA.
« Je pense que c'est l'avenir de la santé », a-t-il déclaré. « Nous avons déjà des composants de l'IA dans nos vies comme Chatgpt. Je crois, à l'avenir, ce type d'appareil peut naître et améliorer les vies de manière physique. »
