Multimodal Sensor Dataset for Monitoring Older Adults Post Lower-Limb Fractures in Community Settings

📄 arXiv: 2501.13888v1 📥 PDF

作者: Ali Abedi, Charlene H. Chu, Shehroz S. Khan

分类: cs.LG, cs.CV

发布日期: 2025-01-23

💡 一句话要点

发布MAISON-LLF多模态数据集，用于监测社区环境中老年人下肢骨折后的康复情况。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多模态传感器 老年人康复 下肢骨折 远程健康监测 机器学习 深度学习 数据集 社区健康

📋 核心要点

  1. 老年人下肢骨折后的康复监测面临挑战，传统的监测方式难以提供连续、客观的数据，且成本较高。
  2. 该研究提出利用多模态传感器平台，包括智能手机、智能手表、运动探测器和睡眠跟踪床垫，收集老年人的日常活动数据。
  3. 构建了MAISON-LLF数据集，并使用机器学习和深度学习模型进行验证，为后续研究提供了基准和数据支持。

📝 摘要（中文）

下肢骨折(LLF)是老年人面临的主要健康问题，常导致活动能力下降和长期恢复，可能损害日常生活和独立性。在康复期间，老年人经常面临社会隔离和功能衰退，使康复复杂化，并对身心健康产生不利影响。多模态传感器平台可以持续收集数据，并使用机器学习算法进行分析，从而远程监测这一人群并推断健康结果。它们还可以提醒临床医生注意有隔离和衰退风险的个体。本文介绍了一个新的公开多模态传感器数据集MAISON-LLF，该数据集来自在社区环境中从LLF中恢复的老年人。该数据集包括来自智能手机和智能手表传感器、运动探测器、睡眠跟踪床垫以及关于隔离和衰退的临床问卷的数据。该数据集从十名独自居住在家中的老年人处收集，每人八周，总计560天的24小时传感器数据。为了进行技术验证，使用传感器和临床问卷数据开发了监督机器学习和深度学习模型，为研究界提供了基础比较。

🔬 方法详解

问题定义：论文旨在解决老年人下肢骨折后康复监测的问题。现有方法主要依赖于定期的临床评估，无法提供连续、客观的康复数据，且难以捕捉到老年人在日常生活中的细微变化。此外，社会隔离和功能衰退是影响康复的重要因素，但难以有效监测。

核心思路：论文的核心思路是利用多模态传感器平台，在老年人居家环境中收集各种生理和行为数据，从而实现对康复过程的连续、客观监测。通过分析这些数据，可以及时发现老年人面临的风险，并为临床干预提供依据。

技术框架：整体框架包括数据采集和数据分析两个主要阶段。数据采集阶段利用智能手机、智能手表、运动探测器和睡眠跟踪床垫等多种传感器，收集老年人的活动、睡眠、生理指标等数据。数据分析阶段则利用机器学习和深度学习模型，对收集到的数据进行处理和分析，从而推断老年人的康复状态、社会隔离程度和功能衰退风险。

关键创新：该研究的关键创新在于构建了一个包含多种传感器数据的多模态数据集MAISON-LLF，为研究人员提供了宝贵的数据资源。此外，该研究还探索了利用机器学习和深度学习模型进行康复监测的可能性，为未来的研究方向提供了参考。

关键设计：数据集包含来自智能手机（活动识别）、智能手表（心率、睡眠）、运动探测器（房间占用率）和睡眠跟踪床垫（睡眠质量）的数据。临床问卷用于评估社会隔离和功能衰退。机器学习模型包括监督学习和深度学习方法，用于预测康复结果。具体模型细节（如网络结构、损失函数等）在论文中可能未详细描述，属于技术验证的初步探索阶段。

📊 实验亮点

该研究构建了包含560天24小时传感器数据的MAISON-LLF数据集，为老年人下肢骨折康复监测研究提供了宝贵资源。通过初步的机器学习和深度学习模型验证，证明了利用多模态传感器数据进行康复监测的可行性，为后续研究奠定了基础。具体的性能数据和提升幅度需要在论文中进一步查找，目前信息有限。

🎯 应用场景

该研究成果可应用于远程健康监测、智能养老和康复辅助等领域。通过持续监测老年人的康复状态，可以及时发现潜在风险，并提供个性化的康复方案。此外，该数据集的发布将促进相关领域的研究，推动智能养老技术的发展，提高老年人的生活质量。

📄 摘要（原文）

Lower-Limb Fractures (LLF) are a major health concern for older adults, often leading to reduced mobility and prolonged recovery, potentially impairing daily activities and independence. During recovery, older adults frequently face social isolation and functional decline, complicating rehabilitation and adversely affecting physical and mental health. Multi-modal sensor platforms that continuously collect data and analyze it using machine-learning algorithms can remotely monitor this population and infer health outcomes. They can also alert clinicians to individuals at risk of isolation and decline. This paper presents a new publicly available multi-modal sensor dataset, MAISON-LLF, collected from older adults recovering from LLF in community settings. The dataset includes data from smartphone and smartwatch sensors, motion detectors, sleep-tracking mattresses, and clinical questionnaires on isolation and decline. The dataset was collected from ten older adults living alone at home for eight weeks each, totaling 560 days of 24-hour sensor data. For technical validation, supervised machine-learning and deep-learning models were developed using the sensor and clinical questionnaire data, providing a foundational comparison for the research community.