使用可穿戴传感器预测教室中 profound 自闭症相关的困难行为
人工智能
2026-05-21 v2
摘要
自闭症谱系障碍 (ASD) 以社交互动和沟通方面的挑战、以及受限或重复的思维和行为模式为特征，对表现具有显著的变异性。约四分之一的儿童被诊断为 profound 自闭症，他们常表现出自伤行为、攻击性、逃逸或摄食异常等困难行为，这些行为会对安全造成严重威胁并扰乱教育环境。先前的工作已将可穿戴传感器和机器学习应用于检测困难行为，但主要局限于受控实验室环境。本工作证明，在真实世界的特殊教育教室中预测困难行为事件是可行的。我们收集了约 110.7 小时的标记化多模态可穿戴数据，包括加速度计、皮肤电导活性 (EDA) 和皮肤温度，来自 9 名 10 至 21 岁的儿童和年轻成人。我们对最先进的多模态可穿戴时间序列分析基础模型进行微调，表明困难行为事件可提前最高达 10 分钟进行预测，AUC-ROC 为 0.78。这些结果为开发及早警报的课堂干预系统奠定了具体基础，使教师能够在特殊教育教室中最小化困难行为的安全风险。
引用
@article{arxiv.2605.17618,
title = {Prediction of Challenging Behaviors Associated with Profound Autism in a Classroom Setting Using Wearable Sensors},
author = {Yadhu Kartha and Conor Anderson and Jenny Foster and Theresa Hamlin and Johanna Lantz and Ryan Lay and Juergen Hahn and Gari D. Clifford and Hyeokhyen Kwon},
journal= {arXiv preprint arXiv:2605.17618},
year = {2026}
}