בעידן שבו חיישנים לבישים כובשים את שוק הבריאות, אתגר מרכזי נותר: כיצד להפוך נתוני תנועה גולמיים מדויקים לדקה – כמו אקטיגרפיה – לסיכומי שפה טבעית? MotionTeller, מסגרת חדשנית, משלבת נתוני פעילות מחיישני תאוצה עם מודלי שפה גדולים (LLM) באופן טבעי. המערכת משתמשת במקודד אקטיגרפיה מקדים ומעטפת הקרנה קלה שממפה הטבעות התנהגותיות לחלל הטוקנים של LLM קפוא, ומאפשרת יצירת סיכומי התנהגות יומיים באופן אוטורגרסיבי. זהו צעד משמעותי לקראת ניטור התנהגותי אישי.
MotionTeller נבנתה על בסיס מערך נתונים חדש של 54,383 זוגות (אקטיגרפיה, טקסט), שמבוססים על הקלטות אמיתיות מסקר NHANES. האימון מתבצע באמצעות פונקציית הפסד צלב-אנטרופיה על טוקני השפה בלבד, ללא שינוי במודל ה-LLM. התוצאות מרשימות: ניקוד BERTScore-F1 הגיע ל-0.924, ו-ROUGE-1 ל-0.722 – עלייה של 7% על פני שיטות מבוססות פרומפט. הפסד האימון ירד ל-0.38 עד אפוק 15, מה שמעיד על אופטימיזציה יציבה.
ניתוח איכותני מאשר כי MotionTeller תופס במדויק את המבנה הצירקדי ואת המעברים ההתנהגותיים, בעוד תרשימי PCA חושפים התאמה משופרת של אשכולות בחלל הטבעות לאחר האימון. המערכת מציעה פתרון מדרגי ופרשני להמרת נתוני חיישנים לבישים לתיאורים שוטפים ונגישים, ומשפרת את הדיוק הסמנטי והלקסיקלי בהשוואה למתחרים.
משמעות MotionTeller עולה בקנה אחד עם מגמות גלובליות בבריאות דיגיטלית, שבהן ניטור רציף הופך לכלי קליני מרכזי. בישראל, שבה חברות כמו OrCam ו-Ethos מובילות בחדשנות רפואית, טכנולוגיה זו יכולה לשלב עם פלטפורמות מקומיות לניטור מבוגרים או חולים כרוניים. היא מאפשרת סקירות קליניות מהירות יותר ומתערבויות מותאמות אישית, ומפחיתה את הצורך בניתוח ידני של נתונים גולמיים.
עבור מנהלי עסקים בתחום הבריאות והטכנולוגיה, MotionTeller פותחת אפשרויות חדשות לפיתוח אפליקציות בריאותיות חכמות. כיצד תשלבו נתוני חיישנים עם AI כדי לשפר את חוויית המשתמש? המחקר מציע מסלולים חדשים לניטור התנהגותי מדויק ומותאם אישית, עם פוטנציאל לשינוי בתחום.