論文の概要: Evaluating the Effect of Frame Rate in Sequence-Based Classification of Autism-Related Self-Stimulatory Hand Idiosyncrasies

• arxiv url: http://arxiv.org/abs/2607.07957v1
• Date: Wed, 08 Jul 2026 22:22:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.353491
• Title: Evaluating the Effect of Frame Rate in Sequence-Based Classification of Autism-Related Self-Stimulatory Hand Idiosyncrasies
• Title（参考訳）: 自閉症関連自己刺激的手指同調の系列に基づく分類におけるフレームレートの影響評価
• Abstract要約: 本研究は、ビデオから自閉症関連自己刺激行動の自動検出における2つの課題に対処する。 最適なシーケンスベースのニューラルネットワークアーキテクチャと時間サンプリングレートを識別する。 また、小さな行動データセットのトレーニングのためのデータ拡張戦略も特徴付けている。
• 参考スコア（独自算出の注目度）: 1.091319386322552
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autism spectrum disorder (ASD) affects over 75 million individuals worldwide, yet scalable computational methods for remote behavioral screening remain limited. This study addresses two complementary challenges in automated detection of autism-related self-stimulatory behaviors from video: (1) identifying the optimal sequence-based neural network architecture and temporal sampling rate, and (2) characterizing data augmentation strategies for training on small behavioral datasets. For the first objective, long short-term memory (LSTM) and gated recurrent unit (GRU) models were trained on pose-derived features from the Self-Stimulatory Behavior Diagnosis (SSBD) dataset at frame sampling intervals of 1, 5, 15, 30, 45, and 90 frames. Both architectures exceeded prior convolutional neural network (CNN) baselines (62-76% accuracy), with peak accuracies of 97.5% (LSTM) and 98.75% (GRU) at a sampling interval of every 15 frames. For the second objective, ten data augmentation strategies were applied to an I3D transfer learning pipeline, with an ablation study quantifying the marginal contribution of each technique. Horizontal flip achieved the highest standalone accuracy (48.78%), while exclusion of upsampling from the augmentation pipeline produced the largest performance degradation, indicating its necessity for complex behavioral video augmentation. A personalized machine learning approach, in which per-subject models were trained and tested on temporally split segments of each video, produced consistent predictions (mean loss 1.84, SD 0.79). These results provide practitioners with concrete guidance on architecture selection, sampling rate, and augmentation strategy for video-based behavioral classification in data-scarce clinical domains.
• Abstract（参考訳）: 自閉症スペクトラム障害(ASD)は世界中で7500万人以上の患者に影響を与えるが、遠隔行動スクリーニングのためのスケーラブルな計算方法はまだ限られている。 本研究では,映像からの自閉症関連自己刺激行動の自動検出における相補的課題として,(1)最適なシーケンスベースニューラルネットワークアーキテクチャと時間的サンプリング率の同定,(2)小さな行動データセットを用いたトレーニングのためのデータ拡張戦略の特徴づけについて述べる。 最初の目的として、長期記憶(LSTM)とゲートリカレント・ユニット(GRU)モデルを用いて、フレームサンプリング間隔1, 5, 5, 30, 45, 90フレームの自己刺激行動診断(SSBD)データセットから、ポーズに基づく特徴を訓練した。 どちらのアーキテクチャも、以前の畳み込みニューラルネットワーク(CNN)ベースライン(62-76%の精度)を上回り、ピーク精度は97.5%(LSTM)と98.75%(GRU)を15フレーム毎にサンプリングインターバルで上回った。 第2の目的として、I3Dトランスファー学習パイプラインに10個のデータ拡張戦略を適用し、各手法の限界寄与を定量化するアブレーション研究を行った。 水平フリップは最も高いスタンドアロン精度(48.78%)を達成し、増大パイプラインからのアップサンプリングは最大の性能劣化を招き、複雑な行動ビデオ強化の必要性が示唆された。 パーソナライズされた機械学習アプローチでは、オブジェクトごとのモデルをトレーニングし、各ビデオの時間分割セグメントでテストし、一貫した予測(平均損失 1.84, SD 0.79)を生み出した。 これらの結果から, 臨床領域における映像に基づく行動分類のためのアーキテクチャ選択, サンプリング率, 拡張戦略に関する具体的なガイダンスが得られた。

関連論文リスト

• On the Role of MRI Sequences in Cross-Dataset Generalization for Brain Tumor Segmentation [0.6303112417588329]
  本研究では、2つのよく知られたデータセットにおける個々のMRIシーケンスがモデルロバスト性に与える影響を系統的に評価する。 ResUNetベースのフレームワークを使用して、各モダリティを独立してトレーニングし、その効果を分離する。 その結果、T2f/FLAIRシーケンスは、Diceスコアが75%を超え、最高のクロスデータセット性能を達成することがわかった。
  論文  参考訳（メタデータ） (2026-08-30T18:17:18Z)
• Beyond Anatomy: Explainable ASD Classification from rs-fMRI via Functional Parcellation and Graph Attention Networks [6.923757075165361]
  解剖学的脳解析は rs-fMRI に基づく自閉症スペクトラム障害 (ASD) の分類を支配している。 ABIDE Iデータセット上の解剖学的(AAL)と機能的(MSDL)パーセレーション戦略を比較したグラフベースのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-03T02:05:20Z)
• PathMoE: Interpretable Multimodal Interaction Experts for Pediatric Brain Tumor Classification [30.58342408480846]
  PathMoEは、H&Eスライド、病理報告、核レベルセルグラフを統合する、解釈可能なマルチモーダルフレームワークである。 内科的脳腫瘍データセットと外部TGAデータセットの2つのデータセット固有の分類タスクについて,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-03-02T07:17:44Z)
• Digital FAST: An AI-Driven Multimodal Framework for Rapid and Early Stroke Screening [0.7136933021609076]
  本研究では,F.A.S.T.アセスメントで収集したデータをもとに,高速かつ非侵襲的な2次脳卒中自動スクリーニングのための多モード深層学習フレームワークを提案する。 提案手法は, 表情, 音声信号, 上体動作からの相補的な情報を統合し, 診断の堅牢性を高める。
  論文  参考訳（メタデータ） (2026-01-17T03:35:39Z)
• Self-CephaloNet: A Two-stage Novel Framework using Operational Neural Network for Cephalometric Analysis [0.0]
  本稿では,エンドツーエンドのディープラーニングフレームワーク(Self-CepahloNet)を提案する。 セルフオペレーショナルニューラルネットワーク(Self-ONN)は、複雑な特徴空間に対して優れた学習性能を示す。 我々のモデルは2mmの範囲で頭蓋計測のランドマークを検出するのに、顕著な70.95%の成功率を達成した。
  論文  参考訳（メタデータ） (2025-01-19T08:37:27Z)
• Advanced Gesture Recognition for Autism Spectrum Disorder Detection: Integrating YOLOv7, Video Augmentation, and VideoMAE for Naturalistic Video Analysis [10.298059998417104]
  自発性スペクトラム障害(ASD)の診断のための重要な指標は、回転、頭部バンピング、腕羽ばたきなどの反復運動行動である。 本研究は, 自然・無制御環境下で撮影された映像を解析することにより, ASD を持つ子どもと発達した子ども(TD)を区別することに焦点を当てた。 我々は, YOLOv7に基づく検出, 広範ビデオ拡張, および高比マスキングと再構成戦略により空間的特徴と時間的特徴の両方を効率的にキャプチャする VideoMAE フレームワークを統合したパイプラインを採用する。
  論文  参考訳（メタデータ） (2024-10-12T02:55:37Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
  本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。 トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。 本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-11-01T14:12:58Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Developing a New Autism Diagnosis Process Based on a Hybrid Deep Learning Architecture Through Analyzing Home Videos [1.2691047660244335]
  現在、54人中1人が自閉症スペクトラム障害(ASD)と診断されており、2000年より178%高い。 本稿では,分類データと画像データの両方を用いて,従来のASD事前スクリーニングを自動化するハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-04-02T17:30:35Z)

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。