Training General Movements Classifiers with Global Labels Offers Insights on Sub-movement Quality
Notice bibliographique
Résumé
Abnormal or absent General Movements (GMs) during the fidgety period (9-20 weeks post-term) are strong early indicators of neurological disorders, including cerebral palsy (CP).The General Movements Assessment (GMA) is the clinical gold standard for evaluating GMs, but its reliance on expert assessment limits accessibility and scalability.Machine Learning (ML)-based models offer a promising alternative in automating movement classification; however, existing approaches to training these systems either require extensive manual annotation of short segments of infant movements (or snippets) or classify entire videos without capturing movement-level details.This study addresses these limitations by demonstrating that a ML classifier trained with video-level (per infant) labels can accurately classify whole videos of infant movements and provide useful information about movement snippets.We trained and evaluated several models, including SVM, LSTM, 1D-CNN, and Vision Transformer (ViT), using time-series representations of infant movements.The best-performing model, a 1D-CNN, achieved 100% accuracy in video-level classification and 87.5% accuracy in snippet-level (i.e., movement-level) classification of previously unseen data, using 2D coordinates of 24 body landmarks and 12 joint angle features.Additionally, we examined whether the feature space of videos labelled as normal and abnormal shows overlap, using Independent Component Analysis (ICA) and cosine-similarity between 1D-CNN abstractions.Our findings align with clinical observations, indicating that short movement segments from infants labelled as abnormal share characteristics with those from infants with normal GMs, impacting classification performance.Overall, this work provides insights useful for working towards fully automated GMA analysis capable of providing both movement-and video-level assessment, which will enhance early prediction of neurodevelopmental abnormalities with improved scalability.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».