引入3DCNN ResNet用于自闭症谱系障碍全身运动学评估：与手工特征的比较
机器学习
2024-10-28 v3
摘要
自闭症谱系障碍（ASD）以社交沟通挑战和受限行为模式为特征，其运动异常因早期检测价值而受到关注。然而，ASD中的运动学分析有限，常缺乏稳健验证并依赖针对单一任务的手工特征，导致研究间不一致。端到端模型已成为克服特征工程需求的有前景方法。我们的目标是提出一种新适配的3DCNN ResNet，并将其与广泛用于ASD运动评估的手工特征进行比较。具体而言，我们开发了包含多类运动任务的虚拟现实环境，并使用两种方法训练模型。我们优先采用带重复交叉验证的可靠验证框架。结果显示所提模型取得853%的最高准确率，以1至3分钟短样本优于最先进的端到端模型。我们与手工特征的比较分析显示，特征工程模型在特定任务中优于我们的端到端模型。然而，我们的端到端模型取得了0.800.03的更高平均AUC。此外，模型方差存在统计差异，我们的端到端模型在所有VR任务中变异性更小、结果更一致，展现出领域泛化与可靠性。这些发现表明端到端模型可实现变异性更小且与上下文无关的ASD分类，无需领域知识或任务特异性。但同时也认可手工特征在特定任务场景中的有效性。
引用
@article{arxiv.2311.14533,
title = {Introducing 3DCNN ResNets for ASD full-body kinematic assessment: a comparison with hand-crafted features},
author = {Alberto Altozano and Maria Eleonora Minissi and Mariano Alcañiz and Javier Marín-Morales},
journal= {arXiv preprint arXiv:2311.14533},
year = {2024}
}
备注
This work has been submitted to Expert Systems with Applications for possible publication