يعاني حوالي 75 مليون فرد من اضطراب طيف التوحد (ASD) حول العالم، ومع ذلك، لا تزال الأساليب الحسابية القابلة للتوسع للاختبار السلوكي عن بعد محدودة. تدور دراسة جديدة حول تحديين رئيسيين في الكشف الآلي عن سلوكيات الذات التحفيزية المتعلقة بالتوحد من خلال الفيديو: (1) تحديد بنية الشبكة العصبية المعتمدة على التتابع ومعدل العينة الأمثل، و(2) وصف استراتيجيات زيادة البيانات للتدريب على مجموعات البيانات السلوكية الصغيرة.

فيما يخص الهدف الأول، تم تدريب نماذج الذاكرة طويلة الأمد (LSTM) ووحدة الاسترجاع المغلقة (GRU) على ميزات مشتقة من الحركة من مجموعة بيانات تشخيص سلوكيات الذات التحفيزية (SSBD) بمعدلات عينة للإطارات تصل إلى 1، 5، 15، 30، 45، و90 إطاراً. تجاوز كلا البنيتين القيم الأساسية السابقة لنماذج الشبكات العصبية الالتفافية (CNN) بدقة تصل إلى 62-76%، مع ذروة دقة 97.5% (LSTM) و98.75% (GRU) عند معدل عينة كل 15 إطاراً.

أما بالنسبة للهدف الثاني، فقد تم تطبيق عشر استراتيجيات لزيادة البيانات على أنبوب التعليم القائم على نقل التعلم I3D، مع دراسة ابلاكشن توضح الإسهامات الهامشية لكل تقنية. 'الانعكاس الأفقي' حقق أعلى دقة مستقلة تقدر بـ 48.78%، في حين أن استبعاد وحدة الترقيع من أنبوب الزيادة أدى إلى أكبر تدهور في الأداء، مما يدل على ضرورته لزيادة بيانات الفيديو المعقدة.

تقدم هذه النتائج توجيهًا ملموسًا للممارسين بشأن اختيار الهيكل ومعدل العينة واستراتيجية الزيادة للتصنيف السلوكي بناءً على الفيديو في المجالات السريرية القليلة البيانات. إن اعتماد نهج آلة التعلم الشخصية، حيث تم تدريب النماذج لكل موضوع واختبارها على مقاطع زمنية مقسمة من كل فيديو، أظهر توقعات متسقة (متوسط الخسارة 1.84، SD 0.79).

ما رأيكم في أهمية هذه النتائج لمستقبل تشخيص التوحد؟ شاركونا آراءكم في التعليقات!