論文の概要: Detection of ADHD based on Eye Movements during Natural Viewing
- arxiv url: http://arxiv.org/abs/2207.01377v1
- Date: Mon, 4 Jul 2022 12:56:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-05 15:13:46.283194
- Title: Detection of ADHD based on Eye Movements during Natural Viewing
- Title（参考訳）: 自然視における眼球運動に基づくADHDの検出
- Authors: Shuwen Deng, Paul Prasse, David R. Reich, Sabine Dziemian, Maja
Stegenwallner-Sch\"utz, Daniel Krakowczyk, Silvia Makowski, Nicolas Langer,
Tobias Scheffer, and Lena A. J\"ager
- Abstract要約: 眼球運動スキャンパスを応用したエンド・ツー・エンドのディープラーニングに基づくシーケンスモデルを開発した。
この手法は実際にADHDを検出し、関連するベースラインを上回ります。
- 参考スコア（独自算出の注目度）: 3.1890959219836574
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Attention-deficit/hyperactivity disorder (ADHD) is a neurodevelopmental
disorder that is highly prevalent and requires clinical specialists to
diagnose. It is known that an individual's viewing behavior, reflected in their
eye movements, is directly related to attentional mechanisms and higher-order
cognitive processes. We therefore explore whether ADHD can be detected based on
recorded eye movements together with information about the video stimulus in a
free-viewing task. To this end, we develop an end-to-end deep learning-based
sequence model %that makes use of eye movement scanpaths which we pre-train on
a related task for which more data are available. We find that the method is in
fact able to detect ADHD and outperforms relevant baselines. We investigate the
relevance of the input features in an ablation study. Interestingly, we find
that the model's performance is closely related to the content of the video,
which provides insights for future experimental designs.
- Abstract（参考訳）: 注意欠陥・高活動障害(ADHD: Attention-deficit/hyperactive disorder)は神経発達障害であり、臨床医に診断が必要である。
目の動きに反映される個人の観察行動は、注意機構や高次認知過程に直接関係していることが知られている。
そこで我々は,自由視聴課題における映像刺激に関する情報とともに,記録された眼球運動に基づいてADHDを検出できるかどうかを検討する。
そこで本研究では,より多くのデータが得られるタスクを事前学習した眼球運動スキャンパスを用いた,エンドツーエンドのディープラーニングに基づくシーケンスモデル%を開発した。
この手法は実際にADHDを検出し、関連するベースラインを上回ります。
アブレーション研究における入力特徴の関連性について検討する。
興味深いことに、このモデルの性能はビデオの内容と密接に関連しており、将来の実験設計に対する洞察を提供する。
関連論文リスト
- A New Perspective on ADHD Research: Knowledge Graph Construction with LLMs and Network Based Insights [0.4915744683251151]
アテンション・デフィシット・ハイパーアクティビティ障害(ADHD: Attention-Deficit/Hyper Activity Disorder)は、複雑な症状と様々な要因から研究が難しい疾患である。
このトピックについてより深い洞察を得るために,ADHDの総合知識グラフ(KG)上でネットワーク分析を行った。
kコア技術を含む分析では、障害を理解する中心となる重要なノードと関係が特定された。
論文 参考訳（メタデータ） (2024-09-19T15:50:22Z) - ADHD diagnosis based on action characteristics recorded in videos using machine learning [0.472457683445805]
生ビデオ記録の同定と解析によるADHD診断のための新しい行動認識手法を提案する。
本研究の主な貢献は,(1)参加者の注意・過活動・刺激性に着目したテストの設計と実施,2)行動認識ニューラルネットワークに基づく新しい機械学習ADHD診断システムの実装,3)診断結果とADHD行動特性の分析を行うための分類基準の提案である。
論文 参考訳（メタデータ） (2024-09-03T20:16:56Z) - Depth-induced Saliency Comparison Network for Diagnosis of Alzheimer's Disease via Jointly Analysis of Visual Stimuli and Eye Movements [8.907381270308452]
特殊な視覚刺激下での眼球運動は、アルツハイマー病の認知異常を検出する潜在的な非侵襲的バイオマーカーとして機能する。
眼球運動解析のためのDepth-induced saliency comparison Network (DISCN)を提案する。
以上の結果から,DECNはAD患者と正常コントロールの眼球運動の分類において一貫した妥当性が得られた。
論文 参考訳（メタデータ） (2024-03-15T09:15:57Z) - 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) - Involution Fused ConvNet for Classifying Eye-Tracking Patterns of
Children with Autism Spectrum Disorder [1.225920962851304]
自閉症スペクトラム障害(ASD)は、診断が難しい複雑な神経疾患である。多くの研究では、ASDと診断された子供が注意範囲を維持し、焦点を絞った視力の低下に苦しむことが示されている。
視線追跡技術は、視線異常が自閉症の診断的特徴として認識されて以来、ASDの文脈で特に注目を集めてきた。
論文 参考訳（メタデータ） (2024-01-07T20:08:17Z) - Exploiting the Brain's Network Structure for Automatic Identification of
ADHD Subjects [70.37277191524755]
我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。
776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
論文 参考訳（メタデータ） (2023-06-15T16:22:57Z) - BI AVAN: Brain inspired Adversarial Visual Attention Network [67.05560966998559]
機能的脳活動から直接人間の視覚的注意を特徴付ける脳誘発対人視覚注意ネットワーク(BI-AVAN)を提案する。
本モデルは,人間の脳が監督されていない方法で焦点を絞った映画フレーム内の視覚的物体を識別・発見するために,注意関連・無視対象間の偏りのある競合過程を模倣する。
論文 参考訳（メタデータ） (2022-10-27T22:20:36Z) - A Deep Learning Approach for the Segmentation of Electroencephalography
Data in Eye Tracking Applications [56.458448869572294]
脳波データの時系列セグメンテーションのための新しいフレームワークDETRtimeを紹介する。
エンドツーエンドのディープラーニングベースのフレームワークは、コンピュータビジョンの進歩を前面に立たせています。
我々のモデルは脳波睡眠ステージセグメンテーションのタスクにおいてよく一般化される。
論文 参考訳（メタデータ） (2022-06-17T10:17:24Z) - Leveraging Human Selective Attention for Medical Image Analysis with
Limited Training Data [72.1187887376849]
選択的な注意機構は、注意散らしの存在を無視することで、認知システムがタスク関連視覚的手がかりに焦点を合わせるのに役立つ。
本稿では,医療画像解析タスクにおいて,小さなトレーニングデータを用いたガベージを利用したフレームワークを提案する。
本手法は腫瘍の3次元分割と2次元胸部X線分類において優れた性能を示す。
論文 参考訳（メタデータ） (2021-12-02T07:55:25Z) - Onfocus Detection: Identifying Individual-Camera Eye Contact from
Unconstrained Images [81.64699115587167]
Onfocus Detectionは、カメラが捉えた個人の焦点がカメラにあるかどうかを特定することを目的としている。
OnFocus Detection In the Wild (OFDIW) と呼ばれる大規模なオンフォーカス検出データセットを構築しました。
本研究では,視線干渉推論ネットワーク (ECIIN) を用いた眼球深度検出モデルを提案する。
論文 参考訳（メタデータ） (2021-03-29T03:29:09Z) - ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。
Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。
純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
論文 参考訳（メタデータ） (2021-03-26T02:42:38Z)
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。