双模特征分析与深度学习用于自闭症谱系障碍检测
Federica Colonnese1, Francesco Di Luzio1, Antonello Rosato1
1Department of Information Engineering, Electronics and Telecommunications, University of Rome "La Sapienza" Via Eudossiana 18, 00184 Rome, Italy.
International journal of neural systems
|December 8, 2023
概括
这项研究引入了一种用于儿童自闭症谱系障碍 (ASD) 检测的新型深度学习模型. 人工智能分析视频中的行走模式,为早期识别提供一种非侵入性方法.
科学领域:
- 神经发育障碍 神经发育障碍
- 医疗保健中的人工智能
- 生物机械分析 生物机械分析
背景情况:
- 在全球范围内,自闭症谱系障碍 (ASD) 影响着大约100分之一的儿童.
- 目前对ASD的诊断方法可以是侵入性的和主观的.
- 需要客观和非侵入性的工具来早期检测ASD.
研究的目的:
- 推出一种新的深度神经网络 (DNN),用于识别儿童的自闭症.
- 用视频录制的步态分析作为一种非侵入性评估方法.
- 通过先进的AI技术,实现ASD检测的高精度.
主要方法:
- 开发了一种双模深度学习方法,将两个卷积神经网络 (CNN) 结合起来.
- 从捕捉儿童步行模式的视频中提取了特征.
- 一种新的方法将两个CNN的特征连接起来,用于输入到完全连接的层来进行分类.
主要成果:
- 这项研究提出了一种非常准确的,非侵入性的方法来检测ASD.
- 步态分析和深度学习方法的结合显示出显著的潜力.
- 双式DNN有效地处理步态特征用于二进制分类.
结论:
- 步态分析与深度学习相结合,为客观的ASD评估提供了一个有希望的途径.
- 开发的DNN模型证明了在儿童中识别自闭症的有效性.
- 这种创新方法可以提高ASD的早期诊断和干预.
更多相关视频
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
11.0K
05:41A Step-by-Step Implementation of DeepBehavior, Deep Learning Toolbox for Automated Behavior Analysis
Published on: February 6, 2020
9.4K
