机器学习在评估单腿站立测试中运动的有效性,用于预测高自闭症特征
Yoshimasa Ohmoto1, Kazunori Terada2, Hitomi Shimizu3
1Department of Behavior Informatics, Faculty of Informatics, Shizuoka University, Shizuoka, Japan.
Frontiers in psychiatry
|November 1, 2024
概括
机器学习有效地使用一腿站立测试 (OLST) 和运动分析预测高自闭症特征. 肩膀和干部运动是识别儿童自闭症特征的关键指标.
科学领域:
- 神经科学是一个神经科学.
- 发展心理学 发展心理学
- 生物医学工程 生物医学工程
背景情况:
- 越来越多的证据将自闭症谱系障碍 (ASD) 与运动障碍,特别是平衡缺陷联系在一起.
- 一腿站立测试 (OLST) 是一种平衡的常见评估.
- 机器学习 (ML) 为临床评估提供运动数据的客观分析.
研究的目的:
- 评估ML在分析OLST运动数据中对预测高自闭症特征的有效性.
- 来识别来自OLST的关键运动变量,这些变量可以预测自闭症特征.
主要方法:
- 126名儿童 (64名男生,62名女生) 在压力传感器上进行了OLST.
- 收集了全身图像和脚压数据.
- 使用支持矢量机 (SVM) 算法将参与者分为高自闭症特征组和低自闭症特征组.
主要成果:
- 使用拟议和组合变量,ML模型实现了灵敏度和特异性的完美准确性 (1000).
- 肩膀,部和干运动被确定为高自闭症特征儿童平衡状态的重要预测因素.
- 较高的社会响应度等级得分与属于高自闭症特征组的可能性增加相关.
结论:
- 对OLST运动数据的ML分析,特别是肩膀和腰部运动,对于预测高自闭症特征是有效的.
- 建议进一步研究各种平衡指标,以提高预测能力.
