Исследователи представили мультимодальную архитектуру глубокого обучения для автоматического обнаружения компульсивных повторяющихся действий, таких как выдергивание волос или расчесывание кожи. Система анализирует данные с носимых датчиков, позволяя объективно классифицировать патологические жесты, которые ранее было сложно отличить от обычных движений из-за их высокой схожести и субтильности в повседневной активности.
Основная сложность подобных задач заключается в высокой вариативности движений и их кратковременности. Предложенный фреймворк использует комбинацию сенсорных данных для выделения специфических паттернов, характерных для обсессивно-компульсивных и тревожных расстройств. Метод демонстрирует высокую точность классификации, что открывает возможности для создания систем раннего мониторинга и поддержки пациентов в режиме реального времени.
Технология опирается на интеграцию временных рядов с акселерометров и гироскопов, обрабатываемых нейросетевыми моделями для извлечения признаков. Такой подход минимизирует необходимость в ручной разметке данных и позволяет адаптировать модель под индивидуальные особенности пользователя, обеспечивая более точный контекстный анализ поведения в естественной среде.
Ключевые факты
- Разработан мультимодальный фреймворк на базе глубокого обучения для классификации повторяющихся действий (BFRB).
- Система решает проблему дифференциации патологических жестов от повседневной активности с высокой точностью.
- Метод ориентирован на интеграцию с носимыми устройствами для непрерывного мониторинга состояния пациентов.
- Исследование направлено на поддержку терапии обсессивно-компульсивных и тревожных расстройств через объективные данные.