論文の概要: Activity Recognition for Autism Diagnosis
- arxiv url: http://arxiv.org/abs/2108.07917v1
- Date: Wed, 18 Aug 2021 01:00:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-19 23:32:15.620491
- Title: Activity Recognition for Autism Diagnosis
- Title（参考訳）: 自閉症診断のための活動認識
- Authors: Anish Lakkapragada, Peter Washington, Dennis Wall
- Abstract要約: 形式的自閉症診断は非効率で長いプロセスである。
この問題の1つのアプローチは、デジタル技術を使って自閉症に関連する行動を検出することである。
自閉症の最も強い指標の1つは刺激であり、反復的で自己刺激的な行動のセットである。
- 参考スコア（独自算出の注目度）: 1.4854189993691178
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A formal autism diagnosis is an inefficient and lengthy process. Families
often have to wait years before receiving a diagnosis for their child; some may
not receive one at all due to this delay. One approach to this problem is to
use digital technologies to detect the presence of behaviors related to autism,
which in aggregate may lead to remote and automated diagnostics. One of the
strongest indicators of autism is stimming, which is a set of repetitive,
self-stimulatory behaviors such as hand flapping, headbanging, and spinning.
Using computer vision to detect hand flapping is especially difficult due to
the sparsity of public training data in this space and excessive shakiness and
motion in such data. Our work demonstrates a novel method that overcomes these
issues: we use hand landmark detection over time as a feature representation
which is then fed into a Long Short-Term Memory (LSTM) model. We achieve a
validation accuracy and F1 Score of about 72% on detecting whether videos from
the Self-Stimulatory Behaviour Dataset (SSBD) contain hand flapping or not. Our
best model also predicts accurately on external videos we recorded of ourselves
outside of the dataset it was trained on. This model uses less than 26,000
parameters, providing promise for fast deployment into ubiquitous and wearable
digital settings for a remote autism diagnosis.
- Abstract（参考訳）: 形式的自閉症診断は非効率で長いプロセスである。
家族はしばしば子供の診断を受けるのに何年も待たなければならないが、この遅れのために受け取らない場合もある。
この問題に対する1つのアプローチは、デジタル技術を使用して自閉症に関連する行動の存在を検出することである。
自閉症の最も強い指標の1つは、手羽ばたき、頭打ち、紡績などの反復的で自己刺激的な行動のセットであるスティムミングである。
コンピュータビジョンを用いて手羽ばたきを検出することは、この空間における公開トレーニングデータのスパースと、そのようなデータの過度なシャキネスと動きのために特に困難である。
我々の研究はこれらの問題を克服する新しい手法を実証している。我々は時間とともに手書きのランドマーク検出を特徴表現として使用し、Long Short-Term Memory(LSTM)モデルに入力する。
自己刺激行動データセット(ssbd)からの映像が手羽ばたきの有無を検出することで,検証精度とf1スコアを約72%向上させた。
私たちの最良のモデルは、トレーニングしたデータセットの外側で記録した外部ビデオを正確に予測します。
このモデルは26,000未満のパラメータを使用し、遠隔自閉症診断のためにユビキタスおよびウェアラブルのデジタル設定に素早く展開することを約束する。
関連論文リスト
- Hear Me, See Me, Understand Me: Audio-Visual Autism Behavior Recognition [47.550391816383794]
本稿では,音声・視覚自閉症の行動認識の新たな課題について紹介する。
社会的行動認識は、AIによる自閉症スクリーニング研究において、これまで省略されてきた重要な側面である。
データセット、コード、事前トレーニングされたモデルをリリースします。
論文 参考訳（メタデータ） (2024-03-22T22:52:35Z) - Video-Based Autism Detection with Deep Learning [0.0]
感覚刺激に反応する子供の映像クリップを解析する深層学習モデルを開発した。
以上の結果から,本モデルは子どもの運動における重要な違いを効果的に一般化し,理解していることが明らかとなった。
論文 参考訳（メタデータ） (2024-02-26T17:45:00Z) - DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳（メタデータ） (2023-12-02T22:57:25Z) - Introducing SSBD+ Dataset with a Convolutional Pipeline for detecting
Self-Stimulatory Behaviours in Children using raw videos [1.1874952582465603]
著者らは,自閉症スペクトラム障害(ASD)の診断に役立つ,ある種の自己刺激行動を検出するための,パイプライン型ディープラーニングアーキテクチャを提案する。
リアルタイムおよびハンズフリーの自動診断を目的としたパイプラインモデルにより,全体の81%の精度が達成された。
論文 参考訳（メタデータ） (2023-11-25T16:57:24Z) - Accurate Autism Spectrum Disorder prediction using Support Vector
Classifier based on Federated Learning (SVCFL) [0.0]
自閉症スペクトラム障害の予測には99%の精度が得られ, 結果が13%改善した。
本稿では,自閉症スペクトラム障害の予測に99%の精度を達成し,その結果を13%改善した。
論文 参考訳（メタデータ） (2023-11-08T11:14:29Z) - Action-based Early Autism Diagnosis Using Contrastive Feature Learning [2.922007656878633]
自閉症スペクトラム障害(Autism Spectrum disorder, ASD)は、神経疾患である。
その主な症状は、(言語および/または非言語)コミュニケーションの困難さ、硬直的/反復的な行動である。
本稿では,簡単なアクションビデオクリップを用いて,自閉症の診断を自動化するための学習的アプローチを提案する。
論文 参考訳（メタデータ） (2022-09-12T16:31:34Z) - Early Autism Spectrum Disorders Diagnosis Using Eye-Tracking Technology [62.997667081978825]
資金不足、資格のある専門家の欠如、そして修正方法に対する信頼度の低いことが、AMDのリアルタイム診断に影響を及ぼす主要な問題である。
我々のチームは、子どもの視線活動の情報に基づいて、ALDの確率を予測するアルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-08-21T20:22:55Z) - A Convolutional Neural Network for gaze preference detection: A
potential tool for diagnostics of autism spectrum disorder in children [0.0]
本稿では,1分間の刺激映像から抽出した画像を用いた視線予測のための畳み込みニューラルネットワーク(CNN)アルゴリズムを提案する。
本モデルでは,被検者の視線方向の予測に高い精度とロバスト性を実現した。
論文 参考訳（メタデータ） (2020-07-28T18:47:21Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z) - 4D Spatio-Temporal Deep Learning with 4D fMRI Data for Autism Spectrum
Disorder Classification [69.62333053044712]
ASD分類のための4次元畳み込み深層学習手法を提案する。
F1スコアは0.71、F1スコアは0.65であるのに対し、我々は4Dニューラルネットワークと畳み込みリカレントモデルを採用する。
論文 参考訳（メタデータ） (2020-04-21T17:19:06Z) - Towards Causality-Aware Inferring: A Sequential Discriminative Approach
for Medical Diagnosis [142.90770786804507]
医学診断アシスタント(MDA)は、疾患を識別するための症状を逐次調査する対話型診断エージェントを構築することを目的としている。
この研究は、因果図を利用して、MDAにおけるこれらの重要な問題に対処しようとする。
本稿では,他の記録から知識を引き出すことにより,非記録的調査に効果的に答える確率に基づく患者シミュレータを提案する。
論文 参考訳（メタデータ） (2020-03-14T02:05:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。