用于辅助自闭症检测的异常手部运动分类：机器学习研究
计算机视觉与模式识别
2022-06-07 v6
摘要
正式的自闭症诊断可能是一个低效且耗时的过程。尽管有证据表明早期干预会带来更好的治疗效果，家庭仍可能等待数月或更久才能收到孩子的诊断结果。能够检测与自闭症相关行为存在的数字技术可以扩大儿科诊断的可及性。本工作旨在证明深度学习技术从非结构化家庭视频中检测手部拍打的可行性，作为验证模型和数字技术是否可被用于辅助自闭症诊断的第一步。我们使用了自我刺激行为数据集（SSBD），其中包含75段儿童表现出的手部拍打、撞头和旋转视频。从所有手部拍打视频中，我们提取了100段手部拍正的阳性与对照视频，每段时长2至5秒。利用基于关键点驱动的方法与MobileNet V2的预训练卷积层，我们性能最佳的模型在100次5折交叉验证评估中取得了84%的测试F1分数（90%精确率与80%召回率）。本工作为开发用于自闭症相关行为活动检测的精确深度学习方法提供了第一步。
引用
@article{arxiv.2108.07917,
title = {Classification of Abnormal Hand Movement for Aiding in Autism Detection: Machine Learning Study},
author = {Anish Lakkapragada and Aaron Kline and Onur Cezmi Mutlu and Kelley Paskov and Brianna Chrisman and Nate Stockham and Peter Washington and Dennis Wall},
journal= {arXiv preprint arXiv:2108.07917},
year = {2022}
}
备注
JMIR Biomedical Engineering '22, To Be Presented at DataBricks Conference '22