半自动化多标签的自闭症方式的分类机器学习的后 hoc 骨跟踪

科学领域:

• 神经科学是一个神经科学.
• 行为科学 行为科学
• 计算机科学 计算机科学

背景情况:

• 举止方式,如手臂拍打,是自闭症谱系障碍 (ASD) 中限制和重复行为 (RRB) 的早期指标.
• 通过传统的行为观察来对举止方式进行可靠的评估是具有挑战性的,因为即使经过广泛的培训,评估者之间协议也不足.

研究的目的:

• 开发和评估一种机器学习 (ML) 方法,用于从视频录制的自闭症儿童行为观察中对行为方式的客观分类.
• 提高ASD行为评估的诊断准确性和客观性.

主要方法:

• 一个对举止方式的分类方案被开发为基本真理.
• 使用OpenPose算法从视频中提取身体运动特征.
• 一个长期短期记忆 (LSTM) 神经网络对这些特征进行了分类,以区分缺乏举止,,跳跃以及+跳跃.
• 嵌套交叉验证和对象分类数据被用于评估模型性能和临床适用性.

主要成果:

• 在分类方式方面,ML模型实现了70.2%的准确性,F1得分为31.8%.
• 培训和测试数据按主体划分,提高了模型的临床适用性.
• 开发的LSTM模型是公开可用的,可以与其他视频数据集一起使用.

结论:

• 基于ML的行为方式的分类是ASD客观行为观察的可行和有前途的方法.
• 这种方法有可能显著提高自闭症谱系障碍的诊断工具.
• 该研究提供了公开可用的ML模型,以促进进一步的研究和临床应用.