自动化定量化自闭症的刻板印象运动运动,使用持久的同质性

科学领域:

• 神经科学是一个神经科学.
• 数据科学数据科学数据科学
• 生物医学工程 生物医学工程

背景情况:

• 刻板的运动运动 (SMM) 是自闭症诊断的关键指标.
• 目前用于量化SMM的方法缺乏效率和广泛适用于个人和发展阶段.

研究的目的:

• 利用拓数据分析 (TDA) 开发一种用于量化和描述自闭症中反复出现的运动模式的新管道.
• 创建可解释的特征向量,从时间序列数据中捕捉自闭症SMM的几何性质.

主要方法:

• 利用TDA的持久同质性来分析来自视频姿势估计和可穿戴传感器的时间序列数据.
• 提取周期结构以生成代表运动模式的低维特征向量.
• 使用简单的分类器进行自动化SMM量化.

主要成果:

• 基于TDA的功能使得自闭症SMM的准确自动量化能够实现.
• 视觉化显示,提取的特征可以在个体之间概括,而不是特定于个人的.
• 管道展示了SMM可扩展和可解释的表征的潜力.

结论:

• 拓数据分析提供了一个数学原理的方法来表征自闭症SMM.
• 这种方法支持在自然环境中对SMM进行无人认知和可扩展的量化.
• 开发的管道显示了促进自闭症研究和诊断的前景.