自动自闭症评估与多模式数据和合体学习:一个可扩展和一致的机器人增强疗法框架

科学领域:

• 机器人技术 机器人技术 机器人技术
• 人工智能的人工智能
• 发展心理学 发展心理学

背景情况:

• 自闭症谱系障碍 (ASD) 诊断和干预面临的挑战是由于治疗实践的变化和需要可扩展的解决方案.
• 对于ASD的标准人体治疗 (SHT) 可能受到治疗师可变性和可扩展性问题的限制.

研究的目的:

• 提出一种新的机器人增强疗法 (RET) 框架,用于自动化ASD评估和干预.
• 利用先进的计算方法,包括3D生物标志物和突出性地图,进行精确的ASD诊断.

主要方法:

• 通过多数投票开发了一种自适应增强的3D生物标记方法,与通过内核密度估计生成的突出地图集成.
• 从DREAM数据集 (61名儿童) 中的身体骨架,头部运动和眼睛凝视数据中提取了新的特征.
• 利用凝视数据生成开创性的突出地图,提高预测模型的性能.

主要成果:

• 3D生物标志物方法实现了95.59%的准确性和92.75%的F1得分,用于ASD水平预测.
• 同样的方法给出了1.78的RMSE和0.74的R平方,用于自闭症诊断观察表 (ADOS) 评分预测.
• 结合基于视线的突出度地图,提高了ASD水平预测的准确率,达到97.36%和95.56%的F1得分.

结论:

• 通过提供精确的,自动化的评估,RET框架显示了彻底改变ASD管理的巨大潜力.
• RET提供了一个可扩展和一致的替代SHT,减轻治疗师的变化.
• 未来的研究应该解决样本大小和模型通用性,以进一步验证RET的影响.