达到和放置运动的发育差异及其在分类有或没有自闭症谱系障碍的儿童的潜力:深度学习方法

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 发展心理学 发展心理学

背景情况:

• 自闭症谱系障碍 (ASD) 诊断依赖于主观的行为评估,缺乏客观的生物标志物.
• 对于ASD的早期和准确的识别方法有着至关重要的需求.
• 上肢动力学为神经发育差异提供了潜在的客观测量.

研究的目的:

• 调查上肢动力学和深度学习在识别自闭症方面的潜力.
• 在 ASD 的学龄儿童中确定客观的运动控制生物标志物.
• 开发基于运动数据的ASD分类机器学习模型.

主要方法:

• 41名学龄儿童 (有或没有自闭症) 完成了伸手和放手的任务.
• 一个惯性测量单元 (IMU) 在任务中记录了手腕运动.
• 一个多层感知器 (MLP) 深度学习模型被用于分类.

主要成果:

• 与典型发育 (TD) 儿童相比,患有ASD的儿童表现出运动规划和控制受损.
• 自闭症组表现出增加的运动单位,超射,以及长时间达到峰值速度/加速度.
• 该MLP模型在分类患有和没有ASD的儿童方面达到大约78.1%的准确性.

结论:

• 上肢运动动力学与深度学习相结合,显示出对ASD识别的希望.
• 目标运动生物标志物可以增强当前的ASD诊断程序.
• 建议在较小的儿童中进行进一步的验证,以早期检测ASD.