利用YOLOv11通过身体运动来增强检测典型的自闭症谱系障碍行为
Ayman Noor1,2, Hanan Almukhalfi1,2, Arthur Souza2,3
1Department of Computer Science, College of Computer Science and Engineering, Taibah University, Madinah 42353, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|July 29, 2025
概括
一个新的实时系统使用深度学习 (YOLOv11) 来检测自闭症谱系障碍 (ASD) 典型的从身体运动中重复的行为,为早期查和监测提供了一个可扩展的解决方案.
科学领域:
- 计算机科学 计算机科学
- 神经科学是一个神经科学.
- 医疗技术 医疗技术 医学技术
背景情况:
- 自闭症谱系障碍 (ASD) 的特点是重复的行为,如手拍和身体摇.
- 目前的诊断方法依赖于耗时,主观的手动观察.
- 需要客观,可访问的工具来早期检测ASD.
研究的目的:
- 通过深度学习引入一个实时系统来检测ASD典型的行为.
- 为了分析神经发育变异的早期迹象,分析身体运动.
- 为ASD查和监测开发一个可扩展的解决方案.
主要方法:
- 一个集监控,网络,云和行为检测的多层系统.
- 使用你只看一次 (YOLOv11) 深度学习模型进行行为分类.
- 在四个行为类别中开发并注释了一组自定义数据集,包含13,640张图像.
主要成果:
- YOLOv11模型实现了99%的准确性,96%的精度和97%的回忆和F1得分.
- 超越了包括CNN (MobileNet-SSD) 和LSTM在内的基线模型.
- 证明了ASD典型行为的有效实时分类.
结论:
- 开发的系统为实时ASD查提供了可扩展和准确的解决方案.
- 有潜力帮助临床医生,教育工作者和护理人员进行早期干预.
- 有助于对ASD患者进行持续的行为监测.
更多相关视频
09:24Quantified Assessment of Infant's Gross Motor Abilities Using a Multisensor Wearable
Published on: May 17, 2024
1.6K
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
11.0K
