مقاله مقایسه مهندسی ویژگی و یادگیری عمیق از ابندا تا انتها برای ارزیابی اختلال طیف اوتیسم بر اساس ردیابی کامل بدن

چکیده

Autism Spectrum Disorder (ASD) is characterized by challenges in social communication and restricted patterns, with motor abnormalities gaining traction for early detection. However, kinematic analysis in ASD is limited, often lacking robust validation and relying on hand-crafted features for single tasks, leading to inconsistencies across studies. Thus, end-to-end models have become promising methods to overcome the need for feature engineering. Our aim is to assess both approaches across various kinematic tasks to measure the efficacy of commonly used features in ASD assessment, while comparing them to end-to-end models. Specifically, we developed a virtual reality environment with multiple motor tasks and trained models using both classification approaches. We prioritized a reliable validation framework with repeated cross-validation. Our comparative analysis revealed that hand-crafted features outperformed our deep learning approach in specific tasks, achieving a state-of-the-art area under the curve (AUC) of 0.90$\pm$0.06. Conversely, end-to-end models provided more consistent results with less variability across all VR tasks, demonstrating domain generalization and reliability, with a maximum task AUC of 0.89$\pm$0.06. These findings show that end-to-end models enable less variable and context-independent ASD assessments without requiring domain knowledge or task specificity. However, they also recognize the effectiveness of hand-crafted features in specific task scenarios.

چکیده به فارسی (ترجمه ماشینی)

اختلال طیف اوتیسم (ASD) با چالش در ارتباطات اجتماعی و الگوهای محدود مشخص می شود ، با ناهنجاری های حرکتی که برای تشخیص زودرس به دست می آید.با این حال ، تجزیه و تحلیل سینماتیک در ASD محدود است ، که اغلب فاقد اعتبارسنجی قوی و تکیه بر ویژگی های دست ساز برای کارهای واحد است و منجر به ناسازگاری در طول مطالعات می شود.بنابراین ، مدل های پایان به پایان به روشهای امیدوارکننده ای برای غلبه بر نیاز به مهندسی ویژگی تبدیل شده اند.هدف ما ارزیابی هر دو رویکرد در کارهای مختلف سینماتیک برای اندازه گیری اثربخشی ویژگی های متداول در ارزیابی ASD است ، در حالی که آنها را با مدلهای پایان به پایان مقایسه می کند.به طور خاص ، ما یک محیط واقعیت مجازی با چندین کار حرکتی و مدل های آموزش دیده با استفاده از هر دو روش طبقه بندی ایجاد کردیم.ما یک چارچوب اعتبار سنجی قابل اعتماد را با اعتبار سنجی مکرر در اولویت قرار دادیم.تجزیه و تحلیل مقایسه ای ما نشان داد که ویژگی های دست ساز از رویکرد یادگیری عمیق ما در کارهای خاص بهتر عمل می کند و به یک منطقه پیشرفته تحت منحنی (AUC) 0.90 $ PM 0.06 دلار می رسد.در مقابل ، مدل های پایان به پایان نتایج مداوم تری با تنوع کمتری در تمام کارهای VR ارائه می دهند ، نشان دهنده تعمیم و قابلیت اطمینان دامنه ، با حداکثر AUC کار 0.89 $ PM 0.06 $ است.این یافته ها نشان می دهد که مدل های پایان به پایان ، ارزیابی های ASD متغیر و مستقل از متن را بدون نیاز به دانش دامنه یا ویژگی کار ، امکان پذیر می کنند.با این حال ، آنها همچنین اثربخشی ویژگی های دست ساز را در سناریوهای کار خاص تشخیص می دهند.