論文の概要: Screening Autism Spectrum Disorder in childrens using Deep Learning Approach : Evaluating the classification model of YOLOv8 by comparing with other models

• arxiv url: http://arxiv.org/abs/2306.14300v1
• Date: Sun, 25 Jun 2023 18:02:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-27 15:46:10.679549
• Title: Screening Autism Spectrum Disorder in childrens using Deep Learning Approach : Evaluating the classification model of YOLOv8 by comparing with other models
• Title（参考訳）: 深層学習を用いた子どもの自閉症スペクトラム障害のスクリーニング : 他モデルとの比較によるYOLOv8分類モデルの評価
• Authors: Subash Gautam, Prabin Sharma, Kisan Thapa, Mala Deep Upadhaya, Dikshya Thapa, Salik Ram Khanal, V\'itor Manuel de Jesus Filipe
• Abstract要約: そこで本稿では,YoloV8モデルを用いた顔画像を用いたASDスクリーニングの実践的解決策を提案する。 分類の精度は89.64%、F1スコアは0.89。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Autism spectrum disorder (ASD) is a developmental condition that presents significant challenges in social interaction, communication, and behavior. Early intervention plays a pivotal role in enhancing cognitive abilities and reducing autistic symptoms in children with ASD. Numerous clinical studies have highlighted distinctive facial characteristics that distinguish ASD children from typically developing (TD) children. In this study, we propose a practical solution for ASD screening using facial images using YoloV8 model. By employing YoloV8, a deep learning technique, on a dataset of Kaggle, we achieved exceptional results. Our model achieved a remarkable 89.64% accuracy in classification and an F1-score of 0.89. Our findings provide support for the clinical observations regarding facial feature discrepancies between children with ASD. The high F1-score obtained demonstrates the potential of deep learning models in screening children with ASD. We conclude that the newest version of YoloV8 which is usually used for object detection can be used for classification problem of Austistic and Non-autistic images.
• Abstract（参考訳）: 自閉症スペクトラム障害(Autism spectrum disorder、ASD)は、社会的相互作用、コミュニケーション、行動において重要な課題を示す発達状態である。 早期介入は認知能力の向上と自閉症の症状の軽減に重要な役割を果たしている。 多くの臨床研究は、ALD児と通常発達する(TD)子供とを区別する特徴的な顔の特徴を強調している。 本研究では,yolov8モデルを用いた顔画像を用いたasdスクリーニング手法を提案する。 ディープラーニング技術であるyolov8をkaggleのデータセット上で使用することで,優れた結果を得ることができた。 本モデルは分類精度89.64%,f1-score 0.89。 ASDの小児における顔の特徴の相違に関する臨床的観察を支援する。 得られた高F1スコアは, ASD 児のスクリーニングにおける深層学習モデルの可能性を示す。 対象検出に通常使用されるYoloV8の最新バージョンは、AusstisticおよびNon-autistic画像の分類問題に利用できると結論付けている。

関連論文リスト

• Challenges in the Differential Classification of Individual Diagnoses from Co-Occurring Autism and ADHD Using Survey Data [2.521920073279046]
  自閉症とADHD(Autism and Attention-Deficit Hyper Activity Disorder)は、小児期で最もよく見られる神経発達障害の1つである。 両者を区別するための特定の計算アセスメントを提供することは、困難かつ時間を要することが証明される。 自動臨床意思決定支援システムの特徴として,対象とする行動を特定するために,全国小児健康調査のデータを用いた機械学習モデルを訓練した。
  論文  参考訳（メタデータ） (2024-11-13T03:38:56Z)
• Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
  アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。 我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。 本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-22T02:06:05Z)
• Ensemble Modeling of Multiple Physical Indicators to Dynamically Phenotype Autism Spectrum Disorder [3.6630139570443996]
  自閉症スペクトラム障害(ASD)に関連する表現型マーカーを検出するためのコンピュータビジョンモデルをトレーニングするためのデータセットを提供する。 視線,頭位,顔のランドマークを入力として,LSTMを用いた個別モデルを訓練し,テストAUCは86%,67%,78%であった。
  論文  参考訳（メタデータ） (2024-08-23T17:55:58Z)
• Comparison of Probabilistic Deep Learning Methods for Autism Detection [0.0]
  自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、現在世界中で普及している神経発達障害の一つ。 この疾患の早期発見は、発症治療に役立ち、正常な生活を導くのに役立つ。
  論文  参考訳（メタデータ） (2023-03-09T17:49:37Z)
• Deep learning reveals the common spectrum underlying multiple brain disorders in youth and elders from brain functional networks [53.257804915263165]
  ヒトの初期および後期の脳障害は、脳機能における病理学的変化を共有する可能性がある。 病理的共通性に関する神経画像データによる重要な証拠はいまだ発見されていない。 多地点機能磁気共鳴画像データを用いたディープラーニングモデルを構築し、健康的な制御から5つの異なる脳障害を分類する。
  論文  参考訳（メタデータ） (2023-02-23T09:22:05Z)
• Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification Using Model Ensembles [52.77024349608834]
  我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。 提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
  論文  参考訳（メタデータ） (2022-11-12T23:28:54Z)
• Vision-Based Activity Recognition in Children with Autism-Related Behaviors [15.915410623440874]
  臨床医や親が子どもの行動を分析するのに役立つ地域型コンピュータビジョンシステムの効果を実証する。 データは、ビデオ中の対象の子供を検出し、背景雑音の影響を低減することで前処理される。 時間的畳み込みモデルの有効性から,ビデオフレームから動作特徴を抽出できる軽量モデルと従来モデルの両方を提案する。
  論文  参考訳（メタデータ） (2022-08-08T15:12:27Z)
• Automatic Classification of Neuromuscular Diseases in Children Using Photoacoustic Imaging [77.32032399775152]
  神経筋疾患(NMD)は、医療システムと社会の両方に重大な負担をもたらす。 激しい進行性筋力低下、筋変性、収縮、変形、進行性障害を引き起こす。
  論文  参考訳（メタデータ） (2022-01-27T16:37:19Z)
• Development of an autism screening classification model for toddlers [0.0]
  自閉症スペクトラム障害 ASDは、コミュニケーション、社会的相互作用、反復行動の課題に関連する神経発達障害である。 本研究は, 乳幼児の早期検診に寄与し, ASD 特性を有する者を同定し, 正式な臨床診断を行おうとする。
  論文  参考訳（メタデータ） (2021-09-29T09:07:39Z)
• 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)
• 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)

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。