综合评估和早期预测小孩的总运动性能与图表卷积网络基于深度学习:发展和验证研究研究
Sulim Chun1, Sooyoung Jang1, Jin Yong Kim1
1Department of Biomedical Systems Informatics, Yonsei University College of Medicine, Seoul, Republic of Korea.
JMIR formative research
|February 21, 2024
概括
这项研究开发了自动化模型,使用幼儿视频来评估粗体运动技能,识别关键运动,如下楼梯,以准确评估发育.
科学领域:
- 儿科发展评估儿童的发展评估.
- 自动化运动分析.
- 机器学习在医疗保健中的应用
背景情况:
- 准确的发育评估对于儿童的早期干预至关重要.
- 由于提供者短缺和父母报告不准确,需要自动化方法.
- 幼儿总运动发育预测了后来的儿童发展.
研究的目的:
- 开发一个模型,客观地评估幼儿的毛细运动行为.
- 整合行为评估,以确定整体总体运动状态.
- 识别关键的行为,时刻和身体部位,以进行总体运动评估.
主要方法:
- 利用147名幼儿 (18-35个月) 的行为视频,进行4项验证的粗运动技能.
- 使用图形卷积网络 (GCN) 进行初始行为评估和极端梯度提升 (XGBoost) 进行整体状态预测.
- 应用了Grad-CAM和Shapley的附加解释,用于解释性,识别关键的运动时刻和身体部位.
主要成果:
- 对于个别行为,GCN模型实现了0.79-0.90的AUROC.
- 总体毛发动机状态的XGBoost模型实现了0.90的AUROC.
- "走下楼梯"被确定为整体评估中最重要的行为.
结论:
- 创建了客观的自动化模型,以从运动视频中评估幼儿的总运动性能.
- 确定了关键的行为和关键的评估时刻/身体部位,用于总运动发育.
- 这种方法提高了发展评估的准确性和效率.


