論文の概要: ASD-FEAT: A Multi-Modal Infant Video-Derived Dataset for Early ASD Risk Prediction

• arxiv url: http://arxiv.org/abs/2610.04051v1
• Date: Fri, 02 Oct 2026 20:59:26 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:30:33.553664
• Title: ASD-FEAT: A Multi-Modal Infant Video-Derived Dataset for Early ASD Risk Prediction
• Title（参考訳）: ASD-FEAT:早期ASDリスク予測のための多モード乳幼児向けビデオ配信データセット
• Abstract要約: ASD-FEAT (ASD - Feature extract and Tracking) は乳幼児と乳幼児の対話セッションのビデオ記録から得られたマルチモーダルデータセットである。 ASD-FEATの主な貢献は、乳児期から36ヶ月までの経時的カバレッジ、反復的な相互作用セッション、臨床的に検証された発達結果、専門家のフレームレベルの行動アノテーション、プライバシーに配慮したマルチモーダルな特徴表現の組み合わせである。 ASD-FEATは、顔と目のランドマーク、顔のアクションユニット、視線方向、頭部位置、メル・スペクトログラムの音声表現、光学的フローなど、専門家定義と深層学習の両方の機能を統合し、社会の行動マーカーを識別する。
• 参考スコア（独自算出の注目度）: 5.825420366013951
• License:
• Abstract: Accurate early screening for Autism Spectrum Disorder (ASD) is a precursor to timely intervention, which is critical for improving cognitive and behavioral outcomes. We present ASD-FEAT (ASD - Feature Extraction And Tracking), a multimodal dataset derived from video recordings of infant-adult interaction sessions. The key contribution of ASD-FEAT is the combination of longitudinal coverage from infancy through 36 months, repeated interaction sessions, clinically validated developmental outcomes, expert frame-level behavioral annotations, and privacy-conscious multimodal feature representations. To the best of our knowledge, existing ASD behavioral datasets do not jointly provide these characteristics at comparable scale. To demonstrate the utility of ASD-FEAT, we use it to evaluate a computer-vision-based end-to-end pipeline relying on machine learning techniques to automatically identify ASD risk. ASD-FEAT integrates both expert-defined and deep-learned features, including face and eye landmarks, facial action units, gaze direction, head position, mel-spectrogram audio representations, and optical flow, to identify behavioral markers of social interaction. Our automated pipeline achieves an ASD classification accuracy of 76.2% and an Area Under the Receiver Operating Characteristic (AUROC) of 0.82, compared to classifiers trained on manually labeled behaviors, which yielded 81.3% accuracy and an AUROC of 0.88. We further introduce a within-visit partner contrast: a per-visit signal contrasting examiner-directed and parent-directed social behavior which, when added to the classifier, lifts the fully automated Look Face + Smile and Look Face + Vocal configurations to Matthews correlations of 0.49 and 0.45 respectively, exceeding the human-coded single-partner baseline of 0.42.
• Abstract（参考訳）: 自閉症スペクトラム障害(ASD)の正確な早期スクリーニングは、タイムリーな介入の先駆者であり、認知と行動の結果を改善するために重要である。 ASD-FEAT (ASD - Feature extract and Tracking) は乳幼児と乳幼児の対話セッションのビデオ記録から得られたマルチモーダルデータセットである。 ASD-FEATの主な貢献は、乳児期から36ヶ月までの経時的カバレッジ、反復的な相互作用セッション、臨床的に検証された発達結果、専門家のフレームレベルの行動アノテーション、プライバシーに配慮したマルチモーダルな特徴表現の組み合わせである。 我々の知る限り、既存のSD行動データセットは、これらの特徴を同等の規模で共同で提供しない。 ASD-FEATの有用性を実証するために、機械学習技術を利用したコンピュータビジョンベースのエンドツーエンドパイプラインを評価し、ASDリスクを自動的に識別する。 ASD-FEATは、顔と目のランドマーク、顔のアクションユニット、視線方向、頭部位置、メル・スペクトログラムのオーディオ表現、光学フローなど、専門家が定義した機能と深層学習の両方を統合し、社会的相互作用の行動マーカーを識別する。 自動パイプラインはASD分類精度76.2%、受信者動作特性エリア(AUROC)は0.82であり、手動でラベル付けされた動作を訓練した分類器は81.3%、AUROCは0.88である。 さらに、検査者指向と親指向の社会行動に対比するビジット信号を導入し、分類器に追加すると、完全に自動化されたLook Face + SmileとLook Face + Vocal構成をそれぞれ0.49と0.45のMatthews相関に持ち上げる。

関連論文リスト

• A multimodal large language model for evidence-based autism spectrum disorder screening [43.813514045885704]
  ASDchatはエビデンスベースの自閉症スクリーニングのために設計された大きな言語モデルである。 このモデルは、中国の27のサイトから1,035人の参加者のデータセットでトレーニングされ、評価された。
  論文  参考訳（メタデータ） (2026-09-15T00:34:21Z)
• 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)
• 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)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
  エンゲージメント測定は、医療、教育、サービスに応用される。 生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。 コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
  論文  参考訳（メタデータ） (2024-04-05T20:39:16Z)
• Autism Spectrum Disorder Classification with Interpretability in Children based on Structural MRI Features Extracted using Contrastive Variational Autoencoder [9.176360748848357]
  自閉症スペクトラム障害(Autism spectrum disorder、ASD)は、患者に社会的相互作用能力の重大な障害をもたらす精神疾患である。 本研究では,0.92歳から4.83歳までの小児におけるASD分類のための機械学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-03T12:46:19Z)
• A Federated Learning Scheme for Neuro-developmental Disorders: Multi-Aspect ASD Detection [2.7221938979891385]
  自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、出生前の胚脳の変化に起因する神経発達障害である。 本研究では,個人の行動や顔の特徴に基づいて,ある個人におけるASDを予測するための,プライバシ保護型フェデレーション学習手法を提案する。
  論文  参考訳（メタデータ） (2022-10-31T13:56:36Z)
• 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)

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。