Older adults’ experiences of ageing, sex and HIV infection in rural Malawi
PulseAugur coverage of Older adults’ experiences of ageing, sex and HIV infection in rural Malawi — every cluster mentioning Older adults’ experiences of ageing, sex and HIV infection in rural Malawi across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的RevalExo基准测试旨在实现辅助设备运动识别
研究人员推出RevalExo，这是一个新基准数据集，旨在改进辅助设备的运动模式识别。该数据集专注于老年人和临床人群，通过同步的惯性测量单元（IMU）和视频数据捕捉真实的日常活动。该基准测试旨在通过提供11种运动模式的广泛帧级注释，解决现有数据集的局限性，例如缺乏精确的过渡标签和对健康个体的关注。初步结果突显了多模态输入的优势，但也揭示了识别过渡和跨不同用户群体泛化的重大挑战。
-
人工智能分析语音和语言以检测老年人的孤独感
研究人员开发了一个多模态框架，通过分析语音和语言模式来检测老年人的孤独感。该研究涉及 310 名老年人，结合了心理语言学词典和主题模型等语言特征以及音高和语调等声学特征。研究结果表明，孤独感越强与否定词和冲突相关语言的使用增加相关，而孤独感越低则与更多的社交引用和语音中的情感丰富度相关。与仅文本或仅音频的方法相比，多模态模型表现出更优越的性能，表明其作为心理评估补充工具的潜力。
-
新AI框架TAMI改善老年人心理健康评估
研究人员开发了TAMI，一个新颖的多模态融合框架，旨在改善轻度认知障碍（MCI）老年人抑郁和焦虑的评估。TAMI通过时间对齐语音、语言、面部和生理特征，处理跨模态的缺失数据，并提供临床见解的可解释性，从而解决了现有方法的局限性。在对49名参与者进行的试验中，TAMI在抑郁症方面的AUROC得分为0.68，在焦虑症方面的得分为0.69，其中时间对齐被证明是性能最显著的增强因素。
-
新的分解逆决策模型分析语言化认知任务
研究人员开发了一种分解逆决策模型（FIDM），通过将任务执行可能性分解为行动和努力因素来分析语言化认知任务。该模型使用语言模型从原始口述记录中生成结构化的任务执行轨迹，从而实现分解推理。当应用于400名老年人执行认知筛查购物对话任务的数据时，FIDM证明了即使在聚合行为摘要匹配的情况下，也能选择性地估计预期因素并保留区分度。通过提供与现有临床评分和轨迹摘要互补的信息，该模型在认知状态分类方面也取得了进展。
-
新型分解式逆向决策模型提升认知筛查能力
研究人员开发了一种分解式逆向决策模型（FIDM），通过将任务执行可能性分解为行动和努力因素来分析口头认知任务。该模型使用语言模型从原始口头记录中生成结构化的任务执行轨迹，从而能够进行比仅分析行动轨迹更细致的推断。当应用于一项涉及400名老年人的购物对话任务以进行认知筛查时，FIDM展示了选择性估计这些因素的能力，并提供了与现有临床评分和语言表征互补的信息，在二元分类中显示出持续的改进。
-
人工智能与机器学习推动老年人认知障碍检测进展
一篇新的arXiv论文回顾了检测和管理老年人认知障碍的技术进展，重点关注人工智能和机器学习的应用。该论文综合了神经生理信号、神经影像、血液生物标志物和数字工具的研究结果，提出了一个集成的早期检测框架。虽然像CNN和Transformer这样的深度学习模型显示出潜力，但作者也强调了标准化、可解释性和外部验证在广泛部署方面面临的挑战。
-
人工智能监管必须优先考虑老年人的需求
人工智能的监管需要考虑老年人的独特需求和潜在影响。确保人工智能技术的开发和部署符合道德和负责任的要求，对于防止歧视和确保公平获取益处至关重要，尤其是在医疗保健和公共政策等领域。这种方法对于促进服务于社会所有阶层的创新至关重要。
-
敦促加拿大在人工智能监管中优先考虑老年人
加拿大监管人工智能的方法需要优先考虑老年人，确保他们在政策制定中不是事后才被想起。这一观点强调，老年人是受人工智能显著影响的人口群体，他们的经历必须在监管框架内得到明确考虑。
-
LLM为老年人家庭成员生成有用的摘要
研究人员开发了一种新方法，使用大型语言模型（LLM）为老年人的远程家庭成员从被动追踪数据生成回顾性摘要。该系统是Vital Insight的演进版本，根据11名家庭成员的反馈进行了改进。重新设计的、多层次、多代理的方法显著提高了用户满意度、感知到的有用性、信任度和接收摘要的意愿。
-
新框架可根据多模态数据预测老年人的健康状况
研究人员开发了一个新的框架，利用纵向多模态数据来预测老年人的健康结果。该研究涉及66名参与者，结合了可穿戴传感器、行为监测和临床评估。结果显示，像活动水平这样的可预测行为目标取得了稳健的性能，而像睡眠呼吸暂停严重程度这样更抽象的结果仍然具有挑战性。分析还强调了历史数据在提高预测准确性方面的重要性。