慣性計測ユニットの手追跡データを用いた自閉症スペクトラム障害のある子供とない子供の分類のための深層学習アプローチ：比較研究

科学分野:

• 神経科学
• 機械学習
• 発達小児科学

背景:

• ASDの診断は行動評価に依存しており、客観的な方法が不足しています。
• ASDの子供は運動制御の違いを示すことが多く、50〜88％が運動の問題を示しています。
• ASDの特定と介入を改善するには、客観的な診断ツールが必要です。

研究 の 目的:

• 手の追跡データを用いたASD分類のための深層学習モデルを評価すること。
• ASDの客観的評価のための慣性計測ユニット（IMU）データの可能性を探求すること。
• 子供のASDを示す運動の違いを特定すること。

主な方法:

• 目標指向型腕運動課題中に41人の子供からIMUの手追跡データを収集しました。
• 移動平均とzスコア正規化を使用してIMUデータを前処理しました。
• k分割および患者分離アプローチを使用して、畳み込みオートエンコーダーやLSTMを含むさまざまな深層学習モデルを適用および検証しました。

主要な成果:

• 畳み込みオートエンコーダーとLSTMレイヤーの組み合わせにより、精度90.21％、F1スコア90.02％を達成しました。
• 患者ごとに分離されたデータセットで再トレーニングされた最良のモデルは、精度91.87％、F1スコア93.66％で一般化を示しました。
• 健常児とASD児の間で、身体運動に有意な差が特定されました。

結論:

• 運動データを分析する深層学習モデルは、ASDの診断を促進する可能性を示しています。
• 手の目の協調分析は、ASDに関連する運動の違いを特定できます。
• 小規模モデルは、医療データの分類において高い精度と一般化を達成でき、将来の研究を可能にします。