Comparing Feature Engineering and End-to-End Deep Learning for Autism Spectrum Disorder Assessment based on Fullbody-Tracking

要約

自閉症スペクトラム障害（ASD）は、社会的コミュニケーションにおける課題と限られたパターンを特徴としており、運動異常は早期発見の注目を集めています。
ただし、ASD における運動学的解析には限界があり、多くの場合、堅牢な検証が不足しており、単一のタスクについては手作りの機能に依存しているため、研究全体で不一致が生じます。
したがって、エンドツーエンド モデルは、特徴量エンジニアリングの必要性を克服する有望な方法となっています。
私たちの目的は、さまざまな運動学的タスクにわたって両方のアプローチを評価し、エンドツーエンドのモデルと比較しながら、ASD 評価で一般的に使用される機能の有効性を測定することです。
具体的には、複数の運動タスクを備えた仮想現実環境を開発し、両方の分類アプローチを使用してモデルをトレーニングしました。
私たちは相互検証を繰り返し、信頼性の高い検証フレームワークを優先しました。
比較分析の結果、特定のタスクでは手作りの機能がディープ ラーニング アプローチよりも優れたパフォーマンスを発揮し、0.90$\pm$0.06 という最先端の曲線下面積 (AUC) を達成したことが明らかになりました。
逆に、エンドツーエンド モデルは、すべての VR タスクにわたってばらつきが少なく、より一貫した結果を提供し、ドメインの一般化と信頼性を実証し、最大タスク AUC は 0.89$\pm$0.06 でした。
これらの調査結果は、エンドツーエンド モデルにより、ドメインの知識やタスクの特異性を必要とせずに、変動が少なくコンテキストに依存しない ASD 評価を可能にすることを示しています。
ただし、特定のタスク シナリオでは手作りの機能が有効であることも認識しています。

要約(オリジナル)

Autism Spectrum Disorder (ASD) is characterized by challenges in social communication and restricted patterns, with motor abnormalities gaining traction for early detection. However, kinematic analysis in ASD is limited, often lacking robust validation and relying on hand-crafted features for single tasks, leading to inconsistencies across studies. Thus, end-to-end models have become promising methods to overcome the need for feature engineering. Our aim is to assess both approaches across various kinematic tasks to measure the efficacy of commonly used features in ASD assessment, while comparing them to end-to-end models. Specifically, we developed a virtual reality environment with multiple motor tasks and trained models using both classification approaches. We prioritized a reliable validation framework with repeated cross-validation. Our comparative analysis revealed that hand-crafted features outperformed our deep learning approach in specific tasks, achieving a state-of-the-art area under the curve (AUC) of 0.90$\pm$0.06. Conversely, end-to-end models provided more consistent results with less variability across all VR tasks, demonstrating domain generalization and reliability, with a maximum task AUC of 0.89$\pm$0.06. These findings show that end-to-end models enable less variable and context-independent ASD assessments without requiring domain knowledge or task specificity. However, they also recognize the effectiveness of hand-crafted features in specific task scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google