早期发现自闭症谱系障碍:步态偏差和机器学习
Umer Jon Ganai1, Aditya Ratne2, Braj Bhushan3
1School of Liberal Studies and Media, UPES, Kandoli, Uttarakhand, India. umerjon.ganai@ddn.upes.ac.in.
Scientific reports
|January 5, 2025
概括
使用MediaPipe和机器学习的步态分析可以帮助检测儿童的自闭症谱系障碍 (ASD). 在患有自闭症的儿童中发现了异常的步态模式,这导致了用于早期诊断的准确分类模型.
科学领域:
- 神经发育障碍 神经发育障碍
- 生物标志物用于早期检测
- 计算生物力学 计算生物力学
背景情况:
- 自闭症谱系障碍 (ASD) 诊断依赖于社会和沟通障碍,往往是晚期诊断出来的.
- 延迟诊断自闭症错过了重要的早期干预机会.
- 患有自闭症儿童的步行异常可能是早期生物标志物.
研究的目的:
- 通过使用基于RGB摄像头的姿势估计来评估ASD儿童的步态模式.
- 确定统计学意义上的步态参数,使ASD与典型发育 (TD) 儿童区分开来.
- 开发和评估基于步态数据的ASD分类的机器学习模型.
主要方法:
- 使用MediaPipe (MP) 进行基于单个RGB摄像头的姿势估计,以分析步态.
- 收集了32名ASD儿童和29名TD儿童的步态数据.
- 采用了四种机器学习算法,包括二项逻辑回归,用于分类.
主要成果:
- 与TD儿童相比,ASD儿童的步骤长度和右肘角显著减少,右肩角增加.
- 机器学习模型使用统计学上显著的步态参数进行训练.
- 双项逻辑回归实现了0.82.8的最高分类精度.
结论:
- 通过RGB摄像头姿势估计的步态分析是评估ASD儿童的可行方法.
- 特定的步态参数可以区分ASD与TD儿童.
- 机器学习模型,特别是逻辑回归,显示出使用步态生物标志物的ASD早期检测的希望.
更多相关视频
06:25Paw-Print Analysis of Contrast-Enhanced Recordings PrAnCER: A Low-Cost, Open-Access Automated Gait Analysis System for Assessing Motor Deficits
Published on: August 12, 2019
8.4K
05:53Low-Cost Gait Analysis for Behavioral Phenotyping of Mouse Models of Neuromuscular Disease
Published on: July 18, 2019
16.3K
