Classification des mouvements anormaux de la main pour faciliter le dépistage de l’autisme : étude basée sur l’apprentissage automatique

Un diagnostic formel du trouble autistique peut être un processus long et inefficace. Les familles peuvent attendre plusieurs mois, voire plus, avant d’obtenir un diagnostic pour leur enfant, malgré des preuves scientifiques indiquant qu’une intervention plus précoce conduit à de meilleurs résultats thérapeutiques. Les technologies numériques capables de détecter des comportements associés à l’autisme peuvent permettre de généraliser l’accès aux diagnostics pédiatriques. Ce travail vise à démontrer la faisabilité des techniques d’apprentissage profond pour la détection du battement de mains à partir de vidéos domestiques non structurées, en tant que première étape vers la validation de la capacité des modèles et des technologies numériques à soutenir les diagnostics d’autisme. Nous avons utilisé le Self-Stimulatory Behavior Dataset (SSBD), comprenant 75 vidéos de comportements tels que le battement de mains, les coups de tête et le tournoiement observés chez des enfants. À partir de toutes les vidéos de battement de mains, nous avons extrait 100 vidéos positives et de contrôle, chacune d’une durée comprise entre 2 et 5 secondes. En combinant des approches basées sur les points d’ancrage (landmarks) et les couches convolutives pré-entraînées de MobileNet V2, notre modèle le plus performant a atteint un score F1 de 84 % (90 % de précision et 80 % de rappel) lors d’une évaluation par validation croisée à 5 plis, répétée 100 fois. Ce travail constitue une première étape vers le développement de méthodes d’apprentissage profond précises pour la détection d’activités associées à l’autisme.