Hĺbkové učenie a diagnostika neurodivergentných porúch: Analýza pohybu odhaľuje skryté vzorce
Vedci vyvinuli metódu založenú na hĺbkovom učení, ktorá analyzuje jemné odchýlky v pohyboch a pomáha pri diagnostike neurodivergentných porúch s cieľom zefektívniť proces diagnostiky.
Nová štúdia využíva hĺbkové učenie na analýzu pohybových dát a identifikáciu neurodivergentných porúch, čím otvára dvere k efektívnejšej diagnostike.
Výskumníci sa zamerali na využitie skrytých informácií v pohyboch účastníkov, ktoré by mohli súvisieť s ich kognitívnymi schopnosťami. Ich cieľom bolo vytvoriť systém, ktorý by sa vyrovnal diagnostickým schopnostiam odborníkov, ale s vyššou efektivitou. Hĺbková analýza dát bola vykonaná na surových kinematických dátach získaných počas úloh, kde účastníci dosahovali na cieľ. Dátový súbor obsahoval 6432 pokusov, rozdelených na tréningovú (80%) a testovaciu (20%) množinu, pričom bol zachovaný pomer medzi skupinami s neurodivergentnými poruchami (NDD) a neurotypickými (NT) jedincami.
Počas experimentu účastníci opakovane dosahovali na cieľ na dotykovej obrazovke, pričom na ruke mali senzor. Senzor zaznamenával 3D zložky lineárneho zrýchlenia, uhlovej rýchlosti a orientáciu (roll, pitch, yaw). Na modelovanie časových signálov pohybu bola použitá sieť Long Short-Term Memory (LSTM), ktorá je schopná uchovávať informácie v sekvenciách. LSTM bunky používajú naučené parametre na udržanie vnútorného stavu, ktorý sumarizuje krátkodobé a dlhodobé vstupy. Výstup LSTM vrstiev bol transformovaný do reprezentácie schopnej predikovať diagnózu pomocou lineárnej vrstvy.
Sieť bola trénovaná pomocou Stratified K-Fold Cross Validation a optimalizovaná na základe priemernej metriky AUC (Area Under the ROC Curve). Hyperparametre, ako počet LSTM buniek, konštanta regularizácie a rýchlosť učenia, boli vyladené pre dosiahnutie optimálneho výkonu. Počas tréningu sa využívala regularizácia L2 a dropout, aby sa predišlo preučeniu. Výsledky ukázali, že kombinácia viacerých kinematických signálov vedie k vyššej presnosti klasifikácie. Napríklad, použitie iba RPY (roll, pitch, yaw) dosiahlo priemernú presnosť 65.42%, zatiaľ čo použitie iba lineárneho zrýchlenia dosiahlo 42.80%. Kombinácia všetkých troch kinematických premenných však viedla k presnosti 66.86%.
Komentár redakcie: Použitie hĺbkového učenia na analýzu pohybových dát predstavuje sľubný prístup k objektívnejšej a efektívnejšej diagnostike neurodivergentných porúch. Štúdia poukazuje na potenciál využitia kinematických dát na identifikáciu jemných odchýlok v pohyboch, ktoré by mohli slúžiť ako skoré indikátory týchto stavov. Avšak, ako poznamenali komentátori na Reddite, je dôležité zvážiť etické a spoločenské implikácie rozsiahleho zberu a analýzy biometrických dát.
Analýza pomocou hĺbkového učenia dokázala správne identifikovať NDD stavy a má potenciál na skríning účastníkov bez predchádzajúcich klinických informácií. Štatistická analýza kinematických dát odhalila jemné fluktuácie v pohyboch, ktoré sú charakteristické pre každého účastníka. Na kvantifikáciu randomness pohybov bol použitý Fano Factor (FF) a Shannonova entropia (S). Výsledky ukázali, že FF je menší ako jeden, čo naznačuje sub-Poissonovskú variabilitu v zmenách amplitúdy medzi susednými lokálnymi extrémami. Zistilo sa, že habituácia (stabilizácia biometrických údajov) nastáva zvyčajne do 100 pokusov.
