論文の概要: Introducing SSBD+ Dataset with a Convolutional Pipeline for detecting
Self-Stimulatory Behaviours in Children using raw videos
- arxiv url: http://arxiv.org/abs/2311.15072v1
- Date: Sat, 25 Nov 2023 16:57:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-29 22:07:29.335884
- Title: Introducing SSBD+ Dataset with a Convolutional Pipeline for detecting
Self-Stimulatory Behaviours in Children using raw videos
- Title（参考訳）: 生ビデオを用いた自己刺激行動検出のための畳み込みパイプラインを用いたssbd+データセットの導入
- Authors: Vaibhavi Lokegaonkar, Vijay Jaisankar, Pon Deepika, Madhav Rao, T K
Srikanth, Sarbani Mallick, Manjit Sodhi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.1874952582465603
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conventionally, evaluation for the diagnosis of Autism spectrum disorder is
done by a trained specialist through questionnaire-based formal assessments and
by observation of behavioral cues under various settings to capture the early
warning signs of autism. These evaluation techniques are highly subjective and
their accuracy relies on the experience of the specialist. In this regard,
machine learning-based methods for automated capturing of early signs of autism
from the recorded videos of the children is a promising alternative. In this
paper, the authors propose a novel pipelined deep learning architecture to
detect certain self-stimulatory behaviors that help in the diagnosis of autism
spectrum disorder (ASD). The authors also supplement their tool with an
augmented version of the Self Stimulatory Behavior Dataset (SSBD) and also
propose a new label in SSBD Action detection: no-class. The deep learning model
with the new dataset is made freely available for easy adoption to the
researchers and developers community. An overall accuracy of around 81% was
achieved from the proposed pipeline model that is targeted for real-time and
hands-free automated diagnosis. All of the source code, data, licenses of use,
and other relevant material is made freely available in
https://github.com/sarl-iiitb/
- Abstract（参考訳）: 従来, 自閉症スペクトラム障害の診断は, アンケート調査に基づく形式的評価と, 様々な状況下での行動手がかりの観察により, 早期の自閉症の警告を捉え, 専門医が行う。
これらの評価手法は主観的であり、精度は専門家の経験に依存する。
この点において、子どもの録画ビデオから自閉症の早期徴候を自動的に捉えるための機械学習ベースの手法は、有望な代替手段である。
本稿では,自閉症スペクトラム障害(asd)の診断に役立つ特定の自己刺激行動を検出するための新しい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。
著者らはまた、ツールをSSBD(Self Stimulatory Behavior Dataset)の拡張バージョンで補完し、SSBD Action Detection: no-classという新しいラベルも提案している。
新しいデータセットによるディープラーニングモデルは、研究者や開発者コミュニティに簡単に適用できるように、無償で提供される。
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%の精度を実現した。
ソースコード、データ、ライセンス、その他の関連資料はすべて、https://github.com/sarl-iiitb/で自由に利用できる。
関連論文リスト
- 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) - Early Autism Diagnosis based on Path Signature and Siamese Unsupervised
Feature Compressor [9.898707107519305]
我々は, 早期自閉症診断のための, 未分化, クラス不均衡, 異種構造MR画像から重要な特徴を抽出する, 深層学習に基づく新しい手法を考案した。
具体的には、不足データを拡張するためのシームズ検証フレームワークと、データ不均衡を軽減するための教師なし圧縮機を提案する。
論文 参考訳（メタデータ） (2023-07-12T22:08:22Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - 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) - NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical
Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。
NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文 参考訳（メタデータ） (2023-01-01T12:48:12Z) - 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) - Activity Recognition for Autism Diagnosis [1.4854189993691178]
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。
論文 参考訳（メタデータ） (2021-08-18T01:00:02Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - Detecting Autism Spectrum Disorder using Machine Learning [3.2861753207533937]
逐次最小最適化(SMO)ベースのサポートベクトルマシン(SVM)分類器は、他のすべてのベンチマーク機械学習アルゴリズムより優れている。
Relief Attributesアルゴリズムは、ASDデータセットで最も重要な属性を特定するのに最適である。
論文 参考訳（メタデータ） (2020-09-30T08:33:12Z) - 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) - 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)
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。