面向真实教室环境的自闭谱系障碍中干扰性及高风险行为的可解释人工智能量化——基于隐私保护的视频分析
计算机视觉与模式识别
2024-08-01 v1
摘要
在 ASD（自闭谱系障碍）中快速识别并准确记录干扰性及高风险行为，如攻击、自伤、破坏及受限重复性行为，对日常教室环境中的干预效果跟踪和合理分配资源以管理护理需求至关重要。然而，专注于观察的专职工作人员在大多数教育环境中成本高昂且较少见。最近的多项研究探索了开发基于机器学习模型的自动化、持续且客观的工具来量化 ASD 中的行为。然而，大多数研究是在受控环境下进行，尚未在真实世界条件下得到验证。本文展示，最新的基于视频的团队活动识别技术可在教室环境中的真实世界活动中对 ASD 行为进行量化，同时保持隐私。我们的可解释模型可以 77% 的 F1 分数检测问题行为的发生，并捕捉 ASD 中不同类型行为的独特特征。迄今为止，本文是首个显示在真实世界环境中客观量化 ASD 行为潜力的研究，这是发展出实用工具以减轻教室工作人员数据收集负担的重要一步。
引用
@article{arxiv.2407.21691,
title = {Explainable Artificial Intelligence for Quantifying Interfering and High-Risk Behaviors in Autism Spectrum Disorder in a Real-World Classroom Environment Using Privacy-Preserving Video Analysis},
author = {Barun Das and Conor Anderson and Tania Villavicencio and Johanna Lantz and Jenny Foster and Theresa Hamlin and Ali Bahrami Rad and Gari D. Clifford and Hyeokhyen Kwon},
journal= {arXiv preprint arXiv:2407.21691},
year = {2024}
}