基于混合深度学习架构分析家庭视频开发新型自闭症诊断流程
计算机视觉与模式识别
2021-04-05 v1 机器学习
摘要
目前，每 54 名儿童中就有 1 名被诊断为自闭症谱系障碍（ASD），比 2000 年高出 178%。早期诊断和治疗可以显著增加脱离谱系并实现完全康复的机会。由于针对神经和沟通技能有大量身体和行为测试，诊断 ASD 非常复杂、主观、耗时且昂贵。我们假设，对面部特征和社交行为使用机器学习分析可以在不影响实际性能的前提下加速 ASD 的诊断。我们提议开发一种同时使用类别数据和图像数据的混合架构，以自动化传统的 ASD 预筛查，使诊断过程更快、更简便。我们为模块 1 创建并测试了逻辑回归模型和线性支持向量机，用于分类 ADOS 类别数据。模块 2 使用卷积神经网络和 DenseNet 网络，用于分类视频数据。最后，我们使用三种数据平均策略将性能最佳的模型（线性 SVM 和 DenseNet）结合起来。我们使用了标准平均、基于训练数据数量的加权平均，以及基于训练数据中 ASD 患者数量的加权平均来平均结果，从而提高了临床应用中的准确率。我们得到的结果支持我们的假设。我们的新颖架构能够以 84% 的最大加权准确率有效自动化 ASD 预筛查。
引用
@article{arxiv.2104.01137,
title = {Developing a New Autism Diagnosis Process Based on a Hybrid Deep Learning Architecture Through Analyzing Home Videos},
author = {Spencer He and Ryan Liu},
journal= {arXiv preprint arXiv:2104.01137},
year = {2021}
}
备注
11 pages, 3 figures, 4 tables Accepted by International Conference on Artificial Intelligence and Machine Learning for Healthcare Applications (ICAIMLHA 2021)