在未经限制的视频中定位行动的时刻 患有自闭症谱系障碍的婴儿
Halil Ismail Helvaci1, Sen-Ching Samson Cheung1,2, Chen-Nee Chuah2
1Department of Electrical and Computer Engineering, University of Kentucky, Lexington, KY, USA.
概括
本研究引入了一种高效的机器学习模型,用于使用婴儿视频进行自闭症谱系障碍 (ASD) 查. 人工智能模型准确地检测关键行为,为早期诊断和干预铺平了道路.
科学领域:
- 发育儿科 发育儿科
- 医疗保健中的人工智能
- 计算机视觉用于行为分析.
背景情况:
- 自闭症谱系障碍 (ASD) 诊断和干预面临挑战,需要有效的查工具.
- 越来越多的自闭症患病率凸显了对可访问的自动诊断方法的需求.
- 现有的选工具往往缺乏效率和现实世界的应用性.
研究的目的:
- 引入一种基于自我注意的临时动作定位 (TAL) 模型,用于婴儿自动化ASD查.
- 开发一种高效实用的计算机视觉解决方案,用于在自然环境中识别与自闭症相关的行为.
- 使用TAL.建立基线绩效指标,用于在未修剪的婴儿视频中检测行为.
主要方法:
- 基于自我注意的时间行动定位 (TAL) 模型的开发.
- 应用TAL模型来分析未经修剪的婴儿视频,以发现与自闭症相关的行为.
- 专注于效率和简化的建模,以实现实际的,现实世界的部署.
主要成果:
- 塔尔模型在检测"面孔"方面取得了70%的准确性.
- 该模型在检测"外观对象"时显示了79%的准确性.
- 报告的准确率为"微笑"的72%,"发声"的65%.
结论:
- 本研究为ASD查中未修剪的婴儿视频提供了第一个端到端的TAL.
- 开发的模型显示了与ASD相关行为的高效和准确识别的前景.
- 这些发现支持计算机视觉在自然环境中早期发现自闭症的潜力.


