用人工智能增强的行为方法测量婴幼儿的听力:概念验证研究

科学领域:

• 发展心理学 发展心理学
• 机器学习 机器学习
• 听觉感知是一种听觉感知.

背景情况:

• 评估婴儿和幼儿的听觉反应对于早期发育至关重要.
• 传统的方法可能是侵入性的或需要专门的设备.
• 面部特征分析提供了一个潜在的非侵入性替代方案.

研究的目的:

• 证明无监督机器学习可以使用面部暗示识别儿童的听觉反应.
• 评估基本机器学习算法的有效性,以确定声音方向响应.
• 探索使用不可识别的面部特征进行客观的行为分析.

主要方法:

• 无监督的机器学习 (期望最大化) 被应用于通过OpenFace提取的面部特征.
• 分析了28名婴儿和30名幼儿对来自左侧或右侧的声音做出反应的数据.
• 脸部特征,如头部转动和眼睛的凝视被用摄像机记录下来.

主要成果:

• 该算法成功地对左,右和双边声音呈现的反应进行了集群.
• 在幼儿中达到高平均灵敏度 (96%),在婴儿中达到68%.
• 最大的集群 (90%) 代表了没有明确方向反应的试验.

结论:

• 一个简单的机器学习算法可以有效地使用匿名的面部数据来确定声音方向反应.
• 这种方法提供了一种有希望的客观方法来评估幼儿的听觉处理.
• 机器学习的面部特征分析为发育研究提供了一个可扩展和非侵入性的工具.