تصنيف الحركات اليدوية غير الطبيعية للمساعدة في كشف التوحد: دراسة تعتمد على التعلم الآلي

يمكن أن يكون التشخيص الرسمي للتوحد عملية غير فعّالة وطويلة الأمد. قد يضطر الأهل إلى الانتظار شهورًا أو أكثر قبل تلقي تشخيص لطفلهم، على الرغم من وجود أدلة تشير إلى أن التدخل المبكر يؤدي إلى نتائج علاجية أفضل. يمكن للتقنيات الرقمية التي تكتشف وجود سلوكيات مرتبطة بالتوحد أن تُوسّع نطاق الوصول إلى التشخيصات الطبية للأطفال. ويهدف هذا العمل إلى إظهار إمكانية استخدام تقنيات التعلم العميق لاكتشاف حركة التمديد اليدوي (Hand Flapping) من مقاطع فيديو منزلية غير منظمة، كخطوة أولى نحو التحقق مما إذا كان يمكن استغلال النماذج والتقنيات الرقمية لدعم تشخيص التوحد. استخدمنا مجموعة بيانات السلوك التحفيزي الذاتي (SSBD)، التي تحتوي على 75 مقطعًا فيديو يُظهر أطفالًا يُظهرون سلوكيات مثل التمديد اليدوي، وضرب الرأس، والدوران. من بين جميع مقاطع التمديد اليدوي، استخرجنا 100 مقطعًا إيجابيًا ومقابلًا (ضوابط)، كل مقطع بين 2 و5 ثوانٍ. باستخدام كلا النهجين المبنيين على نقاط الملامح (landmark-driven approaches) وطبقات التحويل المُدرّبة مسبقًا في MobileNet V2، حقق أفضل نموذج لدينا نتيجة اختبار بقيمة F1 تبلغ 84٪ (دقة 90٪ ودقة استرجاع 80٪) عند تقييمه باستخدام تقنية التقسيم العشري (5-fold cross validation) مكررة 100 مرة. يُعد هذا العمل الخطوة الأولى نحو تطوير أساليب دقيقة للتعلم العميق لاكتشاف الأنشطة المرتبطة بسلوكيات التوحد.