儿童自闭症的诊断基于他们的步态模式和运动信号使用Kinect传感器

科学领域:

• 生物医学工程 生物医学工程
• 发育神经科学的发展神经科学.
• 临床诊断 临床诊断 临床诊断

背景情况:

• 自闭症谱系障碍 (ASD) 是一种影响社会互动和沟通的发育状况.
• 早期诊断ASD对于干预和减少长期影响至关重要.
• 自闭症表现为一种运动障碍,其特点是异常的步态模式和运动控制问题.

研究的目的:

• 通过Kinect传感器数据的步态分析来识别自闭症儿童.
• 为了比较统计特征与基于医学知识的特征在自闭症检测中的有效性.
• 评估基于步态数据的机器学习分类器来对自闭症儿童进行分类.

主要方法:

• 使用Kinect传感器从50名自闭症儿童和50名典型发育儿童中收集了步态数据 (关节位置,角度).
• 提取了两组特征:统计步态参数和来自已知的自闭症行为特征.
• 应用统计测试用于特征选择和分类数据使用naive贝叶斯,SVM,k-NN和集体方法.

主要成果:

• 基于医学知识的特征产生了最高的准确性 (87%),用集体分类器,显示了86%的灵敏度和88%的特异性.
• 统计特征通过Naïve Bayes实现了84%的准确性,显示了86%的灵敏度和82%的特异性.
• 基于医学知识的16个特征向量被证明优于42个统计特征.

结论:

• 使用Kinect传感器数据和基于医学知识的功能进行步行分析是识别自闭症儿童的一个有希望的方法.
• 这种方法为早期自闭症检测提供了一种非侵入性,客观的工具.
• 这项研究强调了利用特定的行为见解来提高ASD诊断准确性的潜力.