通过行动模式挖掘和多通道融合,加强对ASD儿童刻板印象运动的识别

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 发展心理学 发展心理学

背景情况:

• 刻板印象的运动是诊断自闭症谱系障碍 (ASD) 的关键指标.
• 识别方面的挑战来自有限的数据,运动特异性和可变的持续时间.
• 现有的数据集缺乏全面分析的规模和分类广度.

研究的目的:

• 介绍ACSA653数据集,这是一个大规模的视频集合,用于分析ASD中的刻板印象运动.
• 提出APMFNet,这是一个先进的模型,可以更好地识别这些运动.
• 通过运动分析增强自闭症谱系障碍的诊断能力.

主要方法:

• 构建了ACSA653数据集,包含6个刻板印象的运动类别中的653个视频.
• 开发了APMFNet,集成视觉运动学习 (VML),骨架关系挖掘 (SRM) 和多通道融合 (MF) 模块.
• VML提取时空数据;SRM通过交叉模式图表挖掘运动模式;MF使用交叉模式注意力融合多模式信息.

主要成果:

• ACSA653数据集是对刻板印象的ASD运动的最大和最分类的集合.
• 与现有的最先进的方法相比,APMFNet在ACSA653数据集上表现出更高的性能.
• 该模型有效地提取和融合多模式信息,以实现强大的运动识别.

结论:

• APMFNet显示出在患有自闭症儿童中识别定型运动的稳定模式的巨大潜力.
• ACSA653数据集为ASD运动分析的未来研究提供了宝贵的资源.
• 这项工作有助于改进诊断工具和对自闭症谱系障碍的理解.