Contexto da pesquisa
Uma nova pesquisa sobre machine learning desenvolveu um modelo generativo capaz de prever quedas, visando minimizar lesões e melhorar a eficácia das respostas de emergência, utilizando tecnologia disponível em dispositivos de detecção de quedas.
Método proposto
Os pesquisadores da Texas Tech University, liderados por Shuo Yu, empregaram um modelo de rede neural conhecido como HMM-GAN, que combina um modelo oculto de Markov (HMM) com uma rede adversarial generativa (GAN). Esse modelo analisa dados de movimento provenientes de sensores vestíveis, onde foram examinados dois conjuntos de dados públicos que monitoraram quase 2.000 quedas. Os dados foram agrupados em pequenos trechos, permitindo identificar três estados ocultos durante a queda: colapso, impacto e inatividade.
“Você pode tratar isso como um tipo de IA. Ele detecta seu status de movimento e prevê se haverá uma queda. Pode ajudar a mitigar lesões automaticamente.”
(“You can treat this as a kind of AI. It detects your moving status and predicts if there’s going to be a fall. It can help mitigate injuries automatically.”)— Shuo Yu, Professor de Gestão de Sistemas de Informação, Texas Tech University
Resultados e impacto
O modelo HMM-GAN demonstrou precisão na previsão de quedas, superando modelos anteriores e realizando as previsões mais rapidamente. Em experimentos, a abordagem previu quedas com maior eficácia, com potencial impacto econômico significativo, estimando mais de $33 milhões em benefícios em relação a modelos concorrentes.
Conforme Yu, “fico muito feliz em ver esses resultados. É ainda uma prova de conceito, mas se esse trabalho puder levar a futuras pesquisas e produtos, isso seria o melhor.”
As aplicações práticas incluem implementações em dispositivos de detecção de quedas, como coletes de airbag e sistemas de alarme médico, oferecendo paz de espírito a cidadãos idosos e suas famílias.
Fonte: (TechXplore – Machine Learning & AI)
