引入 SSBD+ 数据集与卷积流水线利用原始视频检测儿童自我刺激行为
摘要
传统上，自闭症谱系障碍的诊断评估由训练有素的专业人员通过基于问卷的正式评估以及在多种环境下观察行为线索以捕捉自闭症的早期预警信号来完成。这些评估技术高度主观，其准确性依赖于专业人员的经验。在这方面，基于机器学习的方法从儿童录像中自动捕捉自闭症早期迹象是一种有前景的替代方案。本文中，作者提出了一种新颖的流水线式深度学习架构，用于检测某些有助于自闭症谱系障碍（ASD）诊断的自我刺激行为。作者还以增强版的自我刺激行为数据集（SSBD）补充其工具，并提出了 SSBD 动作检测中的一个新标签：无类（no-class）。带有新数据集的深度学习模型已免费公开，便于研究人员与开发者社区采用。所提流水线模型面向实时、免手持的自动化诊断，取得了约 81% 的总体准确率。所有源代码、数据、使用许可及其他相关材料均在 https://github.com/sarl-iiitb/ 免费提供。
引用
@article{arxiv.2311.15072,
title = {Introducing SSBD+ Dataset with a Convolutional Pipeline for detecting Self-Stimulatory Behaviours in Children using raw videos},
author = {Vaibhavi Lokegaonkar and Vijay Jaisankar and Pon Deepika and Madhav Rao and T K Srikanth and Sarbani Mallick and Manjit Sodhi},
journal= {arXiv preprint arXiv:2311.15072},
year = {2023}
}
备注
Copyright 2023 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works