Klassifikation von abnormen Handbewegungen zur Unterstützung der Autismusdetektion: Machine Learning-Studie

Eine formelle Autismus-Diagnose kann ein ineffizienter und zeitaufwendiger Prozess sein. Familien müssen oft Monate oder länger warten, bis ihr Kind eine Diagnose erhält, obwohl nachweislich eine frühere Intervention zu besseren Behandlungsergebnissen führt. Digitale Technologien, die Verhaltensweisen im Zusammenhang mit Autismus erkennen können, ermöglichen eine skalierbare Verbesserung des Zugangs zu pädiatrischen Diagnosen. Diese Arbeit zielt darauf ab, die Machbarkeit von Deep-Learning-Technologien zur Erkennung von Handflappern aus unstrukturierten Heimvideos zu demonstrieren, als erster Schritt zur Überprüfung, ob Modelle und digitale Technologien genutzt werden können, um bei der Autismus-Diagnose zu unterstützen. Wir nutzten die Self-Stimulatory Behavior Dataset (SSBD), die 75 Videos mit Handflappern, Kopf-An- und -Ab-Schlägen sowie Drehbewegungen von Kindern enthält. Aus allen Handflappervideos extrahierten wir 100 positive und Kontrollvideos, jeweils zwischen zwei und fünf Sekunden lang. Unter Verwendung sowohl landmarkbasierter Ansätze als auch vortrainierter konvolutioneller Schichten von MobileNet V2 erreichte unser bestleistendes Modell bei der Bewertung mit 5-fachem Kreuzvalidierung, wiederholt 100 Mal, einen F1-Score von 84 % (90 % Präzision und 80 % Recall). Diese Arbeit legt den ersten Schritt für die Entwicklung präziser Deep-Learning-Methoden zur Aktivitätserkennung autismusrelevanter Verhaltensweisen dar.