深度学习方法用于分类有或没有自闭症谱系障碍的儿童使用惯性测量单元手跟踪数据:比较研究

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 发育儿科 发育儿科

背景情况:

• 自闭症谱系障碍 (ASD) 诊断依赖于行为评估,缺乏客观方法.
• 患有自闭症的儿童经常表现出运动控制差异,其中50-88%的儿童表现出运动问题.
• 需要客观的诊断工具来改善ASD的识别和干预.

研究的目的:

• 用手追踪数据评估深度学习模型来分类ASD.
• 探索惯性测量单位 (IMU) 数据对客观ASD评估的潜力.
• 为了识别儿童中自闭症的运动差异.

主要方法:

• 收集了41名儿童的IMU手部跟踪数据,这些儿童在目标定向的手臂运动任务中进行了跟踪.
• 预处理的IMU数据使用移动平均和z-score规范化.
• 应用并验证了各种深度学习模型,包括卷积自编码器和LSTM,使用k-fold和患者分离方法.

主要成果:

• 卷积自编码器与LSTM层相结合,实现了90.21%的精度和90.02%的F1得分.
• 最好的模型,在与患者分开的数据集上进行了再训练,以91.87%的准确性和93.66%的F1分数证明了概括性.
• 在典型发育的儿童和ASD儿童之间的身体运动中发现了显著的差异.

结论:

• 分析运动数据的深度学习模型显示了促进ASD诊断的潜力.
• 手眼协调分析可以识别与ASD相关的运动差异.
• 小规模模型可以实现医疗数据分类的高精度和概括性,从而使未来的研究成为可能.