Aug, 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

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 基于路径签名和孪生自编码器的自闭症早期诊断

    针对2岁以下儿童的传统的基于交流和行为模式的诊断方法不够可靠，因此我们提出了一种深度学习的方法来提取关键特征从病态的、类不平衡和异质的结构MR图像中进行早期的自闭症诊断，该方法通过Siamese验证框架扩展稀缺数据，通过无监督压缩器抑制数据不平衡，通过权重约束解决样本异质性，并使用Path Signature来纵向解读两个时间点的数据，以此有效的完成了早期自闭症的诊断。

    Jul, 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

  • 自闭症谱系障碍婴儿未修整视频中行为瞬间的本地化

    采用机器学习技术和自注意力的时间动作定位模型，针对自闭症谱系障碍（ASD）的幼儿视频，发展了简化复杂建模和强调效率的ASD行为识别方法，为ASD筛查提供了有前景的早期干预和支持方案，成为首个实施未剪辑的ASD幼儿视频中端到端时态行动定位的研究。

    Apr, 2024

  • 多种物理指标的集成建模以动态表型自闭症谱系障碍

    本研究解决了自闭症谱系障碍(ASD)早期检测的不足。通过利用手机应用程序GuessWhat收集的自然视频数据，我们开发了基于LSTM的模型并采用集成技术，显著提高了诊断准确性，整体AUC达到90%。这一方法在早期检测ASD方面具有重要意义，可能减少对主观评估的依赖，使早期识别更加可及和公平。

    Aug, 2024

  • MMASD+: 一个针对自闭症谱系障碍儿童隐私保护行为分析的新数据集

    本研究解决了自闭症谱系障碍（ASD）领域中数据共享带来的隐私问题，提出了MMASD+数据集，包含多种数据模态，并集成了Yolov8和Deep SORT算法进行行为分析。一个多模态变换框架被提出，预测11种行为类型和ASD的存在，模型在准确率上有显著提升，展示了多模态数据整合的优势。

    Aug, 2024

  • MMASD+: 一种新的隐私保护儿童自闭症行为分析数据集

    本研究针对当前自闭症谱系障碍（ASD）研究中隐私保护的数据共享问题，提出了一种改进的开源数据集MMASD+。该数据集集成了多种数据模态，采用Multimodal Transformer框架，在11种动作类型和自闭症存在性预测中实现了超过95%的准确率，显著优于单一数据模态训练的模型，展现了跨模态集成的优势。

    Aug, 2024

  • 基于额外刺激行为的新型自闭症分类视频数据集

    本研究解决了准确诊断自闭症谱系障碍（ASD）在年轻儿童中的难题，特别是在数据可用性方面的不足。提出了视频ASD数据集，包含2,467个视频的特征数据，展示儿童对化学感官刺激的反应，旨在促进ASD分类的进展。研究发现，运动噪声对模型性能的影响凸显了复杂标签和更多数据需求的重要性。

    Sep, 2024

  • 基于掩膜连接的动态图学习网络用于自闭症谱系障碍

    本研究针对以往在自闭症谱系障碍（ASD）研究中忽视大脑动态特征和网络噪声的问题，提出了掩膜连接基于动态图学习网络（MCDGLN）。通过动态捕捉大脑信号、加权边聚合模块和层次图卷积网络，该方法实现了对大脑连接的优化，显著提高了在自闭症与典型对照组分类中的准确率，达到73.3%。

    Sep, 2024