基于物理增强的自闭谱系障碍严重程度检测的元组转换器
人工智能
2024-09-30 v1
摘要
早期诊断自闭谱系谱系障碍（ASD）是提高 ASD 患儿健康福祉的有效且可取的步骤。手动诊断 ASD 需要进行测试，耗时、复杂且容易受多种因素影响而出错。本文提出了一种新型框架，利用物理定律进行 ASD 严重程度识别。该提出的物理感知神经网络架构编码了从观察基于骨架的运动轨迹中提取的主体行为，在更高维的潜空间中编码。两个解码器——物理基解码器和非物理基解码器——使用该潜嵌表示预测未来的运动模式。物理分支在预测过程中利用适用于骨架序列的物理定律，而非物理分支则优化以最小化预测运动与实际运动之间的差异。还利用相同的潜空间嵌入进行分类器以识别 ASD 的严重程度。这一双生成目标显式地迫使网络将主体的实际行为与受物理定律支配的儿童一般正常行为进行比较，从而辅助 ASD 识别任务。该方法在多个 ASD 诊断基准测试上实现了最先进的性能。为说明该框架在 ASD 诊断之外的实用性，我们进行了第三项实验，使用公开可用的跌倒预测基准测试，展示了我们模型的优越性。
引用
@article{arxiv.2409.18438,
title = {Physics Augmented Tuple Transformer for Autism Severity Level Detection},
author = {Chinthaka Ranasingha and Harshala Gammulle and Tharindu Fernando and Sridha Sridharan and Clinton Fookes},
journal= {arXiv preprint arXiv:2409.18438},
year = {2024}
}
备注
12 pages