基于面部分析与深度学习的儿童自闭症诊断
计算机视觉与模式识别
2020-08-10 v1 机器学习
摘要
本文引入一种深度学习模型，利用深度学习以 94.6% 的准确率将儿童分类为健康或潜在自闭症。自闭症患者在社会技能、重复行为以及言语和非言语沟通方面存在困难。尽管该疾病被认为是遗传性的，但在对儿童的行为特征和面部特征进行测试时诊断准确率最高。患者具有常见的独特面部畸形模式，使研究者仅通过分析儿童的一张图像即可判断其是否患病。虽然已有其他用于面部分析和自闭症分类的技术与模型，我们的方案将这两种思路结合，以更廉价、更高效的方法实现分类。我们的深度学习模型使用 MobileNet 和两个全连接层来进行特征提取与图像分类。模型使用 3014 张图像进行训练和测试，自闭症儿童与正常儿童图像各半。90% 的数据用于训练，10% 用于测试。基于我们的准确率，我们提出仅使用一张照片即可有效诊断自闭症。此外，可能还存在其他类似可诊断的疾病。
引用
@article{arxiv.2008.02890,
title = {Diagnosis of Autism in Children using Facial Analysis and Deep Learning},
author = {Madison Beary and Alex Hadsell and Ryan Messersmith and Mohammad-Parsa Hosseini},
journal= {arXiv preprint arXiv:2008.02890},
year = {2020}
}