自动哭泣分析:深度学习用于早期儿童中查自闭症谱系障碍
Ana Laguna1, Sandra Pusil2, Anna Lucia Paltrinieri3,4
1Novartis Campus - SIP Basel Area AG, Lichtstrasse 35, Basel, 4056, Switzerland. ana.laguna@zoundream.com.
Journal of autism and developmental disorders
|April 10, 2025
概括
对婴儿哭泣的深度学习分析揭示了自闭症谱系障碍 (ASD) 儿童的独特声学模式. 这种人工智能工具可以帮助临床医生在早期,非侵入性检测ASD,改善发育结果.
科学领域:
- 发育儿科 发育儿科
- 计算语言学 计算语言学
- 医疗保健中的人工智能
背景情况:
- 早期发现自闭症谱系障碍 (ASD) 对及时干预和改善发育轨迹至关重要.
- 声学哭声分析为神经发育条件提供了潜在的非侵入性生物标志物.
- 传统的自闭症检测方法可能耗时,可能缺乏客观性.
研究的目的:
- 通过使用深度学习 (DL) 来识别独特的声学哭声特征,将典型发育 (TD) 儿童与ASD儿童区分开来.
- 开发和验证一个DL模型,用于早期,基于哭声的非侵入性检测ASD.
- 为临床医生提供人工智能驱动的工具,以支持早期ASD识别.
主要方法:
- 使用了包括31名ASD儿童和31名TD儿童 (18-54个月) 的哭泣数据集.
- 对声学特征进行统计分析:动,闪和和声波与噪声比 (HNR).
- 开发了一个深度学习模型,特别是一个递归卷积神经网络 (R-CNN),用于cry分类.
主要成果:
- 与TD哭声相比,ASD哭声在和闪方面呈现出统计学上显著的增加.
- 与TD喊叫相比,ASD喊叫显示了声与噪声比率 (HNR) 的显著下降.
- 在R-CNN模型中,在区分ASD和TD呼叫方面,准确度达到了90.28%.
结论:
- 通过人工智能分析的哭声生物标志物显示出早期ASD检测的前景.
- 自动,非侵入性AI工具可以赋予临床医生权力,为处于危险的儿童提供更早的干预.
- 通过人工智能支持的哭声分析来改善早期检测,可以积极影响ASD儿童的长期发育结果.
