Classification of Abnormal Hand Movement for Aiding in Autism Detection: Machine Learning Study

要約

正式な自閉症診断は、非効率的で時間のかかるプロセスである場合があります。早期介入はより良い治療結果につながるという証拠があるにもかかわらず、家族は子供の診断を受けるまでに数カ月、あるいはそれ以上待つことがあります。自閉症に関連する行動の存在を検出するデジタル技術は、小児科の診断へのアクセスを拡大することができます。本研究は、モデルやデジタル技術が自閉症診断の支援に活用できるかどうかを検証するための第一歩として、非構造化ホームビデオからの手のはばたきを検出する深層学習技術の実現可能性を実証することを目的としています。我々は、子供が見せる手拍子、頭突き、回転の動画75本を含むSelf-Stimulatory Behavior Dataset (SSBD)を使用しました。すべての手拍子動画から、2〜5秒間の手拍子のポジティブ動画とコントロール動画をそれぞれ100個ずつ抽出しました。ランドマークドリブンアプローチとMobileNet V2の学習済み畳み込み層の両方を利用し、5重クロスバリデーションで100回評価したところ、我々の最高性能モデルは84%のテストF1スコア（90%の精度、80%の再現率）を達成しました。本研究は、自閉症関連行動の活動検知のための精密なディープラーニング手法の開発に向けた第一歩を提供するものです。

要約(オリジナル)

A formal autism diagnosis can be an inefficient and lengthy process. Families may wait months or longer before receiving a diagnosis for their child despite evidence that earlier intervention leads to better treatment outcomes. Digital technologies which detect the presence of behaviors related to autism can scale access to pediatric diagnoses. This work aims to demonstrate the feasibility of deep learning technologies for detecting hand flapping from unstructured home videos as a first step towards validating whether models and digital technologies can be leveraged to aid with autism diagnoses. We used the Self-Stimulatory Behavior Dataset (SSBD), which contains 75 videos of hand flapping, head banging, and spinning exhibited by children. From all the hand flapping videos, we extracted 100 positive and control videos of hand flapping, each between 2 to 5 seconds in duration. Utilizing both landmark-driven-approaches and MobileNet V2’s pretrained convolutional layers, our highest performing model achieved a testing F1 score of 84% (90% precision and 80% recall) when evaluating with 5-fold cross validation 100 times. This work provides the first step towards developing precise deep learning methods for activity detection of autism-related behaviors.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL