Jul, 2024

人工智能在支持医护专业人员和照顾者治疗自闭症儿童中的应用

HTML
PDF
TL;DR本研究通过开发高级算法分析自闭症患儿和非自闭症患儿日常活动中的面部和身体表情，从而研发了基于深度学习的自闭症检测系统，证明Xception和ResNet50V2等人工智能模型在自闭症诊断方面具有高准确性，凸显了人工智能在自闭症诊断、治疗和全面管理方面的变革潜力。
发现论文，激发创造
  • 自闭症检测的概率深度学习方法比较

    研究使用机器学习来加速 ASD 检测和诊断的最新概率方法，着重评估其适用的数据集类型、准确性以及在 ASD 分类中的表现。

    Mar, 2023

  • 使用深度学习方法筛选儿童自闭症谱系障碍：通过与其他模型进行比较来评估YOLOv8的分类模型

    本研究使用 YoloV8 模型对 Kaggle 数据集中的面部图像进行分析，通过深度学习技术帮助自闭症儿童的诊断和分类，以提高早期干预和治疗效果。

    Jun, 2023

  • 机器学习方法在自闭症谱系障碍的早期诊断中的应用

    利用不同机器学习算法研究自闭症的诊断方法，发现了最重要的特征并自动化了诊断过程，同时采用流行的聚类算法对数据集进行了进一步分析，得出了最佳聚类模型。

    Sep, 2023

  • 使用原始视频的卷积流程检测儿童自我刺激行为的SSBD+数据集

    通过机器学习和深度学习方法，提出了一种新的流程模型来检测自我刺激行为，从而帮助诊断孤独症谱系障碍（ASD）。通过扩充自我刺激行为数据集（SSBD）并使用新的标签，结合深度学习模型，实现了针对实时、免提自动诊断的模型，准确率达到约81%。

    Nov, 2023

  • 基于边缘计算的人机认知融合：自闭症谱系障碍治疗的医疗案例研究

    该研究提出了边缘认知计算的架构，通过将人类专家和辅助机器人结合在同一框架中协作，为长期支持的孤独症患者提供帮助，实现无缝远程诊断、全天候症状监测、紧急警报、治疗调整和高级辅助。

    Jan, 2024

  • 基于深度学习的视频自闭症检测

    自闭症谱系障碍 (ASD) 对儿童的生活常常造成困难，因此早期诊断对于正确的治疗和关怀是必要的。为了帮助医疗专业人员早期发现，我们提出了一种分析儿童对感官刺激反应的深度学习模型，旨在捕捉 ASD 和非 ASD 患者之间反应和行为的关键差异。与许多 ASD 分类中的研究不同，我们的数据是由 MRI 数据组成，这需要昂贵的专用 MRI 设备，而我们的方法仅依赖于一台相对较便宜的 GPU、一套不错的计算机配置和一个用于推断的视频摄像机。我们的数据结果表明，我们的模型能够很好地进行泛化并理解患者不同运动之间的关键差异，尽管对于深度学习问题的数据量有限，模型输入上有限的时间信息和因运动而产生的噪音。

    Feb, 2024

  • 提高ASD检测准确性：结合自然语言处理的机器学习和深度学习模型的综合方法

    利用人工智能（AI）诊断自闭症谱系障碍（ASD）的研究表明了其对ASD诊断尤其是儿童的早期发现的重要性，使用深度学习和机器学习从社交媒体的文本输入中检测ASD，达到了88%的高准确率。

    Mar, 2024

  • 基于可解释人工智能的自闭症谱系障碍在真实课堂环境中干扰和高风险行为量化的隐私保护视频分析

    本研究解决了在真实课堂环境中快速识别和准确记录自闭症谱系障碍（ASD）中干扰和高风险行为的问题。通过先进的视频基础群体活动识别技术，我们提出了一种能够在保护隐私的同时量化行为的可解释模型，其F1-score达77%。该研究为开发有效的数据收集工具奠定了基础，从而减轻了课堂工作人员的工作负担。

    Jul, 2024

  • 通过亲子互动积木游戏协议与注意力增强的GCN-xLSTM混合深度学习框架提升自闭症谱系障碍早期检测

    本研究针对自闭症谱系障碍（ASD）早期检测中的客观性不足问题，提出了一种新的亲子互动积木游戏协议（PCB），旨在识别自闭症与正常发展幼儿之间的行为模式。同时，我们构建了一个大规模的视频数据集，包含40名自闭症幼儿和89名正常发展的幼儿，通过采用一种混合深度学习框架，实现了高达89.6%的早期检测准确率，能够极大地改善自闭症的早期诊断，提高临床决策的及时性与准确性。

    Aug, 2024

  • 自闭症诊断的可解释人工智能：利用fMRI数据识别关键脑区

    本研究解决了自闭症谱系障碍（ASD）诊断中缺乏客观生物标记的问题，通过构建一个深度学习模型，不仅能够准确识别ASD，还能提供可解释的见解。研究结果显示，该模型能够有效区分ASD患者和健康对照组的关键脑区域，为早期诊断和理解ASD的神经基础提供了重要的潜在影响。

    Sep, 2024