儿童与青少年精神病学中的计算行为识别：一项统计与机器学习分析方案
计算机视觉与模式识别
2022-05-13 v1
摘要
动机：行为观察是研究和评估心理现象的重要资源，但其成本高、耗时且易受偏倚影响。因此，我们旨在借助人工智能（AI）工具自动编码人类行为，以用于心理治疗与研究。本文我们提出一项分析方案。方法：将分析25名患有强迫症（OCD）的青年和12名无精神诊断（no-OCD）的青年之金标准半结构化诊断访谈视频。青年年龄介于8至17岁。将从视频中提取特征并用于计算行为评分，其与经培训使用特定行为编码手册的精神健康专业人员所给出的行为评分进行比较。我们将使用多元方差分析（MANOVA）检验OCD诊断对计算所得行为评分的影响。利用所生成的特征，将构建二分类模型并用于分类OCD/no-OCD类别。讨论：我们在此给出预定义方案，说明数据将如何被预处理、分析以及在结果发表与解释中呈现。本研究的挑战在于，AI方法仅试图基于视觉推导行为评分，而人类使用视觉、副语言和语言线索来评分。另一挑战是使用主要在成人而非儿童上训练的身体与面部运动检测机器学习模型。若AI工具显示出有前景的结果，该预注册分析方案或有助于减少解释偏倚。试验注册：ClinicalTrials.gov - H-18010607
引用
@article{arxiv.2205.05737,
title = {Computational behavior recognition in child and adolescent psychiatry: A statistical and machine learning analysis plan},
author = {Nicole N. Lønfeldt and Flavia D. Frumosu and A. -R. Cecilie Mora-Jensen and Nicklas Leander Lund and Sneha Das and A. Katrine Pagsberg and Line K. H. Clemmensen},
journal= {arXiv preprint arXiv:2205.05737},
year = {2022}
}
备注
7 pages, 1 figure