基于视频的运动仿真评估：用于区分自闭症的CAMI-2DNet

运动仿真障碍在自闭光谱障碍个体中广为报道，表明运动仿真可作为解决自闭症异质性的表型。传统方法主观、耗时且需要大量人力培训。现代计算机化运动仿真(CAMI)方法，如针对动作捕捉数据的CAMI-3D和针对视频数据的CAMI-2D，较少主观。然而，它们依赖耗时的标注数据规范化和清洁技术，以及人工标注用于算法训练。为解决这些挑战，我们提出了CAMI-2DNet，这是一种可扩展且可解释的深度学习方法，用于视频数据中的运动仿真评估，无需数据规范化、清洁和标注。CAMI-2DNet使用编码器-解码器架构将视频映射到与身体形状和相机视角等扰因无关的运动编码中。为学习无扰因的表示，我们利用通过运动、身体形状和相机视角的重新排列来生成的运动 retargeting 的虚拟角色的合成数据，以及真实受试者数据。为自动评估个体如何仿真演员，我们计算其运动编码之间的相似度得分，并用于区分具有ASCs和神经典(NT)个体。我们的比较分析表明，CAMI-2DNet与人类评分得分高度相关，同时在区分ASC与NT儿童方面优于CAMI-2D。此外，CAMI-2DNet在直接操作视频数据、无需特殊数据规范化和人工标注的情况下，性能相当于CAMI-3D，具有更大的实用性。