Classification of Autism and Control Gait in Children Using Multisegment Foot Kinematic Features
Notice bibliographique
Résumé
Previous research has demonstrated that children with autism walk with atypical ankle kinematics and kinetics. Although these studies have utilized single-segment foot (SSF) data, multisegment foot (MSF) kinematics can provide further information on foot mechanics. Machine learning (ML) tools allow the combination of MSF kinematic features for classifying autism gait patterns. In this study, multiple ML models are investigated, and the most contributing features are determined. This study involved 19 children with autism and 21 age-matched controls performing walking trials. A 34-marker system and a 12-camera motion capture system were used to compute SSF and MSF angles during walking. Features extracted from these foot angles and their combinations were used to develop support vector machine (SVM) models. Additional techniques-S Hapley Additive exPlanations (SHAP) and the Shapley Additive Global importancE (SAGE) are used for local and global importance of the black-box ML models. The results suggest that models based on combinations of MSF kinematic features classify autism patterns with an accuracy of 96.3%, which is higher than using SSF kinematic features (83.8%). The relative angle between the metatarsal and midfoot segments had the highest contribution to the classification of autism gait patterns. The study demonstrated that kinematic features from MSF angles, supported by ML models, can provide an accurate and interpretable classification of autism and control patterns in children.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».