自闭症谱系障碍的早期发现：步态偏差和机器学习

自闭症谱系障碍 (ASD) 是一种神经发育障碍，其特征是社交沟通和互动困难，以及存在受限和重复行为@@@¹。自闭症谱系障碍 (ASD) 影响着全世界大约每 100 名儿童中就有 1 名，而且这一患病率预计还会增加@@@²。1990年至2012年间，自闭症谱系障碍的平均诊断年龄为3.17岁至10岁@@@3。^{然而，最近的一项全球荟萃分析表明，诊断年龄有所改善，从 2012 年到 2019 年从 2.58 岁提高到 19.55 岁@@@}4。^{ASD 的诊断通常具有挑战性，因为它依赖于临床专业人员的专业知识，他们结合观察、访谈、行为量表和问卷来得出诊断。}这些方法由于其复杂性、耗时、成本高以及需要熟练的解释而具有局限性@@@

5,^{6。结果，自闭症谱系障碍的早期发现和诊断可能被延迟，导致干预和治疗的关键发育期的丧失。}ASD 的早期检测和诊断至关重要，因为它与更好的临床结果相关@@@⁷。此外，利用早期大脑的可塑性和大脑奖励回路中可改变的异常的潜力，可以帮助防止自闭症谱系障碍的全面表现@@@⁸。因此，有必要解决自闭症谱系障碍早期诊断的挑战，并开发有效的方法进行早期检测、诊断和干预，以改善自闭症谱系障碍患者的预后。

尽管对自闭症谱系障碍的神经学方面的了解取得了进展，但尚无可靠的生物标志物可用于这种情况@@@⁹。自闭症谱系障碍患者经常表现出从感觉检测到多感觉整合的非典型感觉处理@@@^10,11。随着大脑发育过程中运动系统与感觉系统一起成熟，一个系统的次优功能可能会影响另一个系统@@@¹²。异常的感觉噪音和不良的多感觉整合是自闭症谱系障碍 (ASD) 中非典型运动发育的潜在根源@@@¹³。鉴于感觉运动功能障碍可以被认为是自闭症谱系障碍的主要特征@@@¹⁴，这种情况也可能表现为运动障碍@@@^15,16。

自自闭症谱系障碍 (ASD) 最早被描述以来，我们就观察到了运动缺陷@@@^{17 号}。一项荟萃分析显示，患有自闭症谱系障碍 (ASD) 的儿童和青少年的运动行为表现出显着偏差，范围为 21–100%@@@¹⁸。患有自闭症谱系障碍 (ASD) 的儿童经常表现出刻板印象、不典型的姿势、笨拙、协调问题、关节活动度增加和不寻常的步态@@@^{19 号,20,21,22 号,23}。此外，自闭症儿童的运动障碍与病情的严重程度及其核心缺陷有关@@@^24,25,26。各个领域的研究人员已经认识到运动和感觉障碍是自闭症谱系障碍的主要症状@@@²⁷。因此，运动功能障碍有望成为潜在的生物标志物或 –推定的内表型Ø@@@²⁸或 –生物行为标记“@@@²⁹自闭症谱系障碍（ASD），因为它们通常在社交和沟通缺陷之前表现出来，并且发生在大多数自闭症谱系障碍患者中@@@^30,31。此外，运动功能障碍可以客观量化，与社交和沟通缺陷相比，使其成为潜在有价值的诊断工具@@@⁶。

最近在自闭症谱系障碍中研究了个体行走的方式（称为步态）。它可以作为儿童早期大脑感觉运动发育的指标。孩子在 9 至 18 个月之间能够独立行走，这是神经认知、运动和学习因素相互作用的结果@@@^{32,33,34,35,36}。然而，研究一致表明患有自闭症谱系障碍的儿童在运动学步态参数方面存在缺陷@@@³⁷以及与健康同龄人相比的标准化运动测试@@@^38,39。具体来说，他们行走时的步幅和踝关节屈曲角度往往会减小，髋部屈曲角度会增大，行走速度会变慢，步数也会变长@@@^40,41。自闭症谱系障碍 (ASD) 中的非典型步态模式被描述为从小就开始不协调和脱节@@@^42,43，临床医生认为这是该病症的标志性特征@@@⁴⁴。尽管刻板和重复的运动行为是 ASD 的诊断标准，但当前的诊断系统仅包含对运动障碍的最少描述@@@¹。因此，步态似乎是 ASD 的潜在表型和生物标志物。

过去曾使用各种仪器来测量 ASD 患者的步态@@@^{15,42,43,45,46}，但它们也有一些局限性，例如成本效益、可访问性受限、需要特殊的实验装置以及身体附件的侵入性。这就需要一种经济、客观、非侵入性的基于计算机视觉 (CV) 的替代框架来研究自闭症谱系障碍 (ASD) 的步态。最近，传统仪器发生了转变，越来越多的研究人员开始使用基于计算机视觉 (CV) 的进步来客观地量化自闭症谱系障碍 (ASD) 中的运动行为和步态@@@^47,48,6,]。

本研究的主要目的是客观评估 ASD 儿童的步态，并将其与典型发育 (TD) 儿童的步态进行比较。这样的比较可能会揭示两组之间步态功能的差异，从而深入了解运动障碍如何影响患有自闭症谱系障碍的儿童，并表明步态障碍在多大程度上可以作为自闭症谱系障碍的生物标志物。此外，可以采用最先进的机器学习（ML）算法来自动化并协助基于步态参数的 ASD 早期检测和诊断。

参加者

患有 ASD 的儿童是从印度坎普尔的两个康复中心招募的，而 TD 儿童则是从位于同一附近的学校招收的。该研究包括 32 名平均年龄为 5.97 岁的 ASD 儿童和 29 名平均年龄为 4.86 岁的 TD 儿童。ASD 组的平均标准化适应行为综合 (ABC) 得分为 59.19 (14.11)，而 TD 组的平均 ABC 得分为 99.76 (8.37)。排除标准是任何神经或遗传疾病、早产以及上周使用影响神经系统的药物的已知诊断。有关排除标准的信息是在实际测试进行之前通过与每位参与者的父母进行的筛选访谈获得的。该研究方案得到了印度坎普尔理工学院伦理委员会（IEC）的批准（IITK/IEC/2021-22/I/24），并且研究是按照相关指南和规定进行的。在研究开始之前，还获得了儿童家长的书面参与同意书。

临床措施

患有自闭症谱系障碍的儿童之前是由专门诊断和治疗神经发育障碍的顾问医生诊断的。这些孩子被纳入康复中心，并由有执照的临床心理学家使用印度自闭症评估量表@@@对自闭症谱系障碍进行进一步诊断⁴⁹。印度政府创建了一个名为 ISAA 的综合评估工具来评估 ASD 并确定此类儿童的严重程度。ISAA 由 40 个项目组成，采用 5 点李克特量表进行评分，分为六类：社会关系和互惠、情绪反应、言语和沟通、行为模式、感官方面和认知成分。ISAA 总分范围为 40 至 200，分数较低表示症状较轻，分数较高表示 ASD 表现较严重@@@⁴⁹。ISAA量表具有足够的心理测量特性，与儿童自闭症评定量表相比，其可靠性和内部一致性令人满意@@@^50,51。

Vineland 适应行为量表-3，综合访谈表@@@⁵²（用于衡量 ASD 和 TD 儿童的适应性行为。该评估工具旨在衡量不同年龄段的适应性行为。它评估三个领域（沟通、社交和日常生活技能）的适应性功能，并得出总体分数，VABS-3 中的标准 ABC 综合得分分为低 (20–70)、中低 (71–85)、合格。(86-114)、中高 (115-129) 和高 (130-140) 类别 VABS-3 综合访谈表表现出可靠的心理测量特性，显示出从 0.90 到 0.90 的高水平内部一致性。0.98@@@86。^{它被广泛接受为衡量自闭症谱系障碍适应性行为的指标，并提供有关个人在日常生活不同领域的功能能力的宝贵信息@@@}53^{,54,55。实验设置和数据采集}实验是在一个光线充足、宽敞的大厅里进行的。

参与者被指示在教练发出的走和停信号下以自己设定的步调在步行路径上进行简单的步行。

参与者在步行路径上从A点到B点来回行走。从 A 点到 B 点的距离是 4.57 m。他们步行了 120 秒或完成了至少两条路线。步行道的起点和终点都用彩色胶带标记。每位参与者笔直站立，面向行走通道，按照指示开始行走。在录制之前，参与者进行了简短的练习，以熟悉该程序。孩子们的家长正在隔壁大厅的透明玻璃里观看孩子们的散步。实验设置的图形概述如图所示。 1。图1步行路径和面向步行路径的摄像机位置的示意图。

相机安装在三脚架上，距离地面 0.61 米，面向步行道，距离为 2.43 米。

该相机具有 3 轴稳定和 80 度视野。它采用1/2.3传感器，视频录制稳定，最高分辨率为3840×2160像素，最高每秒120帧。在本研究中，视频以 1920-1080 像素的分辨率和每秒 30 帧的帧速率捕获。

数据处理及步态参数计算

RGB 视频数据使用 Google 开源 MediaPipe (MP) 姿态估计模型进行处理。MP 是一种自上而下的姿态估计方法，它使用 BlazePose 拓扑来跟踪姿态@@@⁵⁷。BlazePose 提高了处理速度，同时获得了更高的姿态估计精度。与其他二维姿态估计模型相比，MP 具有多种优势，例如开源、对高级硬件的要求最低、并且可以在任何常用操作系统上运行。事实证明，MP不仅比其他二维姿态估计模型表现更好，而且与标准步态测量仪具有最高的步态运动学相关性@@@⁵⁶。

MP 将 RGB 数据作为输入，并生成人体关节解剖位置的 2D 坐标作为输出。通过 MP 进行姿态估计的过程涉及检测器和跟踪器的双重机器学习管道。这一既定程序包括两个阶段。第一阶段涉及使用检测器将代表人的姿势的感兴趣区域 (ROI) 放置到视频帧上。接下来，在第二阶段，跟踪器预测姿势的地标以及 ROI 内的分割掩模。该预测基于利用 ROI 内裁剪的帧作为输入@@@⁵⁷。在当前的研究中，MP 被定制为生成 18 个关键点。这些产生的MP的18个关键点如图所示。 2。

关节角度的坐标位置。

根据MP获得的18个关键点的二维坐标，计算出身体左右两侧的12个关节解剖角度。获得关节角度的坐标位置后，使用简单的三角方程来计算关节的角度。例如，为了确定肘部的角度，使用肩部、肘部和腕部的坐标。这涉及应用三角原理，特别是点积和反余弦（反余弦）函数来确定两个向量之间形成的角度。点积与这些向量的大小相结合，用于计算角度的余弦值，然后使用反余弦函数将其转换为度数（方程： 1）。计算出的角度包括左右脚跟角度、左右膝盖角度、左右臀部角度、左右肩部角度、左右肘部角度以及左右手腕角度。

脚跟的角度是通过使用脚踝、脚跟和脚指数来确定的，而膝盖的角度是通过使用臀部、膝盖和脚踝的位置来计算的。类似地，通过使用肩部、髋部和膝部的位置来确定髋部的角度，并使用肘部、肩部和髋部的位置来计算肩部的角度。使用肩膀、肘部和手腕的位置确定肘部的角度，最后使用肘部、手腕和拇指的位置计算手腕的角度。根据这些坐标，使用公式 (1) 计算所需的运动角度：

最后，通过将几帧上的关节角度相加然后除以帧总数来平均：

在哪里氮表示总帧数；安格莱表示角度值我第 帧。开发了一个 Python 程序来计算六个空间和时间步态参数、步长、步时间、步幅时间、步长、速度和节奏。

为了计算这些步态参数，程序在图表上绘制了左右脚踝的 X 坐标，以识别交点及其相应的帧位置。两个脚踝的 X 坐标信号最初使用 Savitzky-Golay（SG；图 1）进行平滑处理。 3） 筛选@@@⁵⁸。SG 是一种广泛使用的信号处理技术，用于降低噪声并增强信号平滑度。

随着时间的推移平滑交点的图表。

SG 算法首先选择频谱中每个数据点周围的窗口，然后将多项式拟合到该窗口内的数据点。然后将数据点替换为拟合多项式的值@@@⁵⁸。SG算法中的窗口大小是指滤波器窗口的长度，它与系数的数量相关。多项式参数是指用于拟合窗口内数据的多项式的阶数，该阶数决定了平滑过程中使用的多项式的次数。在本研究中，参数设置为窗口长度11和多项式阶数2。在SG算法中，特定索引处的平滑值我计算为相邻数据点的加权和，权重为滤波器系数，如以下等式所示：5@@@8,^{59：$${\widehat{y}}_{i}=\sum _{j=-m}^{m}{c}_{j}{y}_{i}+j$$}(3)

表示平滑后的值我数据系列中的索引位置，\({c}_{j}\)表示滤波器系数，\({y}_{i}+j\)是中心点附近的数据点@@@58。^{应用 SG 滤波器后，使用交叉点计算步长、步长、步幅和步幅时间。}步长

定义为相对脚的两次连续脚踝撞击之间的水平距离（以米为单位）。步数时间被定义为相对脚的两次连续脚踝撞击之间的时间（以秒为单位）。步幅被定义为同一只脚的两次连续脚踝撞击之间的水平距离（以米为单位），而步幅时间定义为同一只脚连续两次脚踝撞击之间的时间（以秒为单位）。S撒尿计算为以米/秒为单位的总距离。给定以米为单位的总距离和以秒为单位的总时间，通过将总距离除以总时间来计算速度。节奏定义为总步数除以总时间。

统计分析

统计分析是在右@@@⁶⁰。步态参数的正态性假设通过夏皮罗-威尔克检验进行评估。由于样本量较小且数据非正态分布，因此进行了非参数统计分析。Mann-Whitney U检验用于调查ASD儿童和TD儿童步态参数的统计差异。Mann-Whitney U 检验是一种非参数检验，它比较两组之间的值的排名而不是其均值，使其更适合非正态分布的数据。它对异常值具有鲁棒性，并且不需要对方差同质性进行假设，因此在不满足这些条件时成为可靠的替代方案。由于该研究主要是探索性的，p-<≤0.05 的值被认为是显着的，并且使用以下方法评估效应大小r。效应大小为r�=�.1,r≤=≤.3，并且r�=�.5 分别被认为是小、中、大@@@61。^{使用 Spearman 相关性评估两组 ASD 症状 (ISAA) 和显着步态变量之间的相关性。}Spearman 相关性是一种非参数统计检验，它依赖于排名，不假设变量之间存在线性关系，并且对异常值具有鲁棒性，使其特别适合当前的研究。

分类算法

使用多个监督机器学习分类器根据两组儿童的步态参数对他们进行分类。这些分类器包括两种称为随机森林 (RF) 和极限梯度提升 (XGBoost) 的集成算法、一种称为带有径向基函数核的支持向量机 (SVM-RBF) 的非线性模型，以及一种线性模型（二项式 Logistic 回归）洛吉特）。

特征选择是指针对给定的 ML 模型消除不相关的特征并保留相关的特征。每个机器学习模型中特征的选择和消除至关重要，因为它有助于克服过度拟合，提高分类器的准确性、效率和可解释性。在本研究中，曼惠特尼U测试被用作特征选择技术的过滤方法。组间具有统计显着差异的特征，即p- - -.05 被保留，对于预测结果变量至关重要。组间差异不显着的特征，即p-05 在预测结果变量方面被认为不太重要，因此被排除在模型之外。之前已经观察到过滤方法如Mann-Whitney test和studentst-测试比包装器和嵌入式技术表现更好@@@62^。这插入符包及其依赖项右用于部署分类器@@@⁶⁰。将数据随机分为训练集（占数据的 80%）和测试集（占数据的 20%）。然后对训练数据进行重复k 倍交叉验证，重复 5 次 10 倍交叉验证。对于每个折叠，测试了算法的 20 种不同的超参数组合。数据经过预处理预处理()来自 caret 包的函数，它采用比例和中心转换方法来转换数据。为了确保一致的复制，在每次分析之前使用随机数种子@@@⁶³。分析流程的总体示意图如图 1 所示。 4。

分析管道的示意图。首先，将 RGB 输入数据输入 MediaPipe 以获得关节坐标。然后使用这些坐标来计算步态参数。接下来，使用Mann-Whitney检验等统计检验比较两组儿童ASD和TD的步态参数。任何显示出显着差异的步态参数（p������������05) 被选为两组之间的特征。最后，将机器学习（ML）分类器应用于这些特征以进行进一步分析。RF是随机森林，XGBoost是极限梯度提升机，SVM-RBF是支持向量机-径向基函数，Logit是二项式逻辑回归。

随机森林（RF）是一种集成学习方法，它使用决策树的组合来提高单个树分类器的分类性能。从训练集来看\(\left\{\left({x}_{i, }{ y}_{i}\right)\right\}\begin{array}{c}n\\ i=1\end{array}\)（包括n行\({x}_{i}\)和 n 列\({y}_{i}\)），用单独的权重函数构建了一组 m 树\({W}_{j}\)在单个树叶中j，预测\(\widehat{y}\)新测试集 xâ² 的值为@@@^64,65：

将三个步态参数作为M个输入特征，随机选择m个特征（m≤<≤<≤M）构建随机森林的m个决策树。在森林的生长过程中，“m”的值保持不变，并且每棵决策树都尽可能扩展。

XGBoost 利用多个弱模型的预测来生成更稳健的预测@@@^66,67。XGBoost 映射输入变量 X = {x₁, x₂, ., x_氮} 和目标变量 y。对于给定的数据集n样品和米特征，KXGBoost模型中使用加性函数通过以下估计来预测输出@@@66^,68：$${\widehat{y}}_{j}=\sum _{k=1}^{K}{f}_{k}\left({x}_{i}\right),$$

\({f}_{k}\in \left\{f\left(x\right)={\omega }_{q}\right\}\left(q:{\mathbb{R}}^{m}\to T,\omega \in {\mathbb{R}}^{T}\right)\)是回归树的空间，并且q表示每棵树的独立结构时间树叶。每个f_k对应一个独立的树结构q和叶片重量Ï。为了学习函数集，最小化以下正则化目标。

在哪里\(\varOmega \left(f\right)=\gamma T+\frac{1}{2}\lambda {\|\omega \|}^{2}, l\)表示模型损失函数，并且\(\varOmega\)表示正则化项。

支持向量机 (SVM) 分类器找到一个超平面，以最大间隔分隔不同的类实例。它利用支持向量，即距离决策边界最近的实例，并结合软边距来处理错误分类@@@⁶⁹。具有径向核的 SVM 使用非线性核将输入数据变换到更高维的空间。径向基函数（RBF）核函数衡量两点之间的相似性或接近程度，x_我和 x_j并在数学上表示为：

在哪里经验值表示指数函数，\({\|{x}_{i}-{x}_{j}\|}^{2}\)表示两点之间的欧氏距离平方，并且\(\text{K}\left({x}_{i}, {x}_{j}\right)\)是 RBF 核函数计算给定点的相似度或接近度值x_我和x_j。

二项式 Logistic 回归 (Logit) 用于对分类因变量和多个自变量之间的关系进行建模。当因变量只有两个类别（即二分法）时通常使用它。该模型预测感兴趣事件的概率的 Logit 变换。具有两个类别的二元变量，表示为 y，一组 p 预测变量表示为\(\left({x}_{1},{ x}_{2},\dots ,{x}_{k}\right)\)。该模型预测事件 y 等于 1 的概率的 logit 变换。最终输出由以下公式得出：

其中，p代表优势比，计算公式为：

\({\beta}_{0}\)是截距项。

\({\beta }_{1},{\beta }_{2,\dots },{\beta }_{k}\)是预测变量的系数\({x}_{1},{ x}_{2},\点,{x}_{k}\)。

模型评估

使用多种指标来评估模型的性能，包括受试者工作特征曲线下面积 (ROC)、准确性、灵敏度和特异性。AUC 是用于二元分类任务的常见评估指标，可提供分类器性能的有用总结。AUC 分数的计算方法为鹏（）的功能前ROC图书馆在右@@@⁷⁰。根据 @@@ 的说法，AUC 分数在 0.8 到 0.9 之间通常被认为是良好的，而高于 0.9 的分数则被认为是优秀的⁷¹。这些指标是根据提供四种结果的混淆矩阵计算得出的：真阳性 (TP) 表示从正类中正确预测出阳性实例，真阴性 (TN) 表示从负类中正确预测出阴性实例，假阳性 (FP) 表示错误预测的阳性来自负类的实例，以及来自正类的错误预测负实例的假负例 (FN)。准确性衡量预测的正确性，敏感性反映分组的准确性，特异性衡量拒绝不正确分组分配的准确性。这些指标是使用以下公式计算的：

人口统计和临床指标

ASD 组和 TD 组在年龄、性别、身高和体重方面没有显着差异。然而，各组在 ABC 和 ABC 领域得分方面确实存在显着差异。详细的人口统计学和临床​​特征见表 1。

步态参数

在检查的六个时间和空间变量中，自闭症谱系障碍儿童的步长在统计上显着缩短（p☀=☀.0284,r☀=☀.28）与TD组相比。在分析的运动学角度中，患有 ASD 的儿童表现出右肘°减少（p�=�.25,r�=�.28) 和放大的右肩° (p☀=☀.048,r�=�.25) 与 TD 儿童相比。ASD和TD儿童步态参数的比较结果见表 2。步态与 ASD 的关系Spearman 相关性用于研究重要步态参数与通过 ISAA 量表测量的 ASD 症状之间的关联。

结果显示，右肩°与ISAA的感觉方面分量表呈正相关（αβ=β0.373，

p‐=‐.039)，表明右肩与 ASD 儿童的感觉症状增加有关。图 1 给出了步态参数和 ASD 症状的 Spearman 相关热图。 5。

ASD儿童的重要步态参数和ASD症状的相关热图。

使用ML分类TD-ASD儿童

三个重要的步态参数（p上面描述的.05），步长，右肘部和右肩°用作输入预测因子，而ASD或TD组分类被视为二进制结果。ML分类器的性能得到了表格 3。对于RF，XGBoost，SVM-RBF和Logit模型，精度分别为0.73、0.64、0.73和0.82。RF，XGBoost，SVM-RBF和Logit模型的敏感性分别为0.80。，0.80。，0.60。和1.0。对于RF，XGBoost，SVM-RBF和Logit，模型的特异性分别为0.67、0.50、0.83和67。Logit模型的AUC为0.97，其次是RF和SVM-RBF。XGBoost的最低AUC为0.65。RF和SVM-RBF在基于三个步态参数对两组分类时几乎同样执行。XGBoost的表现最低，精度为0.64，AUC为0.65。logit是在精度为0.82的ASD和TD儿童中表现最好的，AUC为0.97（图。 6）。表3 ML分类器的性能。

采用了四个模型，包括RF，XGBoost，SVM-RBF和Logit，用于在三个步态参数上对这两组进行分类。

Logit模型的表现优于其他模型，精度为0.82，灵敏度为1.0，特异性为0.67，AUC为0.97。这表明Logit模型最有效地使用三个步态参数区分两组。

当前研究的主要目的是使用基于计算机视觉（CV）的非侵入性和经济框架评估患有ASD和TD儿童儿童的步态功能。为了实现这一目标，该研究使用RGB摄像头记录参与者的步态模式。MediaPipe是一种基于2D的姿势估计模型，用于从记录的数字图像中提取关节坐标。然后使用这些关节坐标来计算空间，时间和运动学步态参数。将ASD儿童的量化空间，时间和运动角关节角参数与TD儿童进行了比较。结果表明，与TD儿童相比，ASD的儿童的步长明显小得多。这与先前的研究相一致，表明儿童的步骤较短，asd@@@@@@@@@@@@@@@@@@@@@@^15,46,72。患有ASD的儿童倾向于通过降低步骤长度来采用策略，从而使他们顺利移动并保持稳定性和移动平衡。结果，患有ASD的儿童可能会降低速度，但是，这在统计学上微不足道。但是，ASD和TD儿童之间的两个运动角度显着差异，右肘和右肩°。ASD组大大减少了左肘，右肩扩大。减少的右肘°与Shetreat-Klein等人的发现不一致。@@@²³。这些研究人员发现，与TD参与者相比，ASD参与者详细阐述了肘部角度。

研究结果表明，患有ASD的儿童表现出异常的步行模式，其特征是步长较短，右肘部降低，右肩增加了。这种独特的步态模式以较短的步长为特征，可能会导致更加限制，灵活的步态。改变的关节运动角度似乎使这些步态模式刚性僵硬。总之，这些发现表明，这些因素的结合可能导致ASD儿童的灵活性较小，步态越来越限制，可能会影响其运动和流动性。Vilensky等人@@@³⁷以及Damasio和Maurer @@@⁷³研究了步态，并观察到自闭症的步骤/步幅降低。他们认为，ASD的步态类似于帕金森的步态，因此假设自闭症中基底神经节的功能障碍。但是，一些研究人员反对这些发现。例如，Hallet等人@@@⁷⁴发现自闭症和健康参与者的成年人之间的时空参数没有显着差异。但是，同一项研究发现步态变异性参数差异，这表明小脑功能障碍可能在自闭症中观察到的步态异常中起作用。最近的研究表明，ASD步态@@的缩短步骤/步幅长度和更大的可变性。^15,43,46。在这一领域的进一步研究可能会提供宝贵的见解，以了解导致该人群步态功能障碍的潜在神经机制。

右肩°与ISAA的感觉方面显着相关。ISAA中的感官方面测量了对刺激的高度敏感性。右肩°与ASD的感觉方面之间的关系可能表明运动过程中ASD患者的感觉运动整合不良。对于有效的运动，必须准确整合来自不同感觉方式的感觉信息。因此，感觉运动整合的改变可能会对运动产生负面影响，并可能影响ASD的严重性。以前，不良的感觉运动集成已被证明与ASD严重性@@@@^13,75。Gouléme等人的研究@@@⁷⁶在视野中，信息整合不足，在ASD参与者中加剧了姿势不稳定，这表明在运动过程中，在ASD中，感觉运动整合不足。Although the underlying neural mechanism of ASD is poorly understood, the cerebellum has a crucial function in integrating the sensory-motor information@@@⁷⁷。

长期以来，感觉和运动障碍被认为只是ASD的外围特征。但是，DSM-5中ASD诊断标准的最新更新包括非典型的感官反应性，强调了在asd @@@@@@@@@@@@@@@@@@@@@@@的重要性¹。值得注意的是，人体的感官和运动系统密切相关，一个变化都会影响另一个@@@@@@@@@@@@@@@@@@@@@@@@@¹²。因此，考虑一个更广泛的框架至关重要，例如感觉运动整合的中心理论或一个感觉运动理论，要了解在asd @@@@@@@@@@@@@@@@@@@@@@@@@@^12,78。包括步态在内的运动障碍可能是识别和检测ASD的有用工具，并可能有可能用作生物标志物。该领域的进一步研究可以为ASD中运动障碍的基本神经和心理机制提供宝贵的见解，并有助于制定有效的干预措施。

最后，当前的研究旨在使用机器学习模型根据步态参数对ASD和TD儿童进行分类。Logit模型在分类ASD和TD儿童时实现了0.82的最高精度。在其他研究中，已经利用了不同的机器学习技术和特征来对ASD和TD儿童进行分类。例如，具有多个步态参数的研究中使用了SVM和神经网络，以达到95％@@@@@⁷⁹。Al-Jubouri等人@@@⁸⁰采用数据集扩展，以及基于关节运动角度的粗糙集分类器，以将其准确性从60％提高到92％。在最近的另一项研究中，使用2D姿势估计模型对幼儿的社会互动的非语言方面进行了定量。神经网络用于预测ASD，获得80％@@的准确性。9。^{logit模型的准确性与其他研究相对可比，并且使用Mann-Whitney测试进行特征选择和基于logit模型的分类精度，基于组之间具有统计学意义的特征的分类精度可以认为是强度}当前的研究。机器学习和步态参数似乎是对ASD和TD儿童进行分类的有前途的工具，对早期发现，诊断和干预具有潜在的影响。

该研究的发现可能在ASD的早期检测和诊断中具有显着的实用价值。运动行为和障碍，例如步态，通常在患有asd @@的儿童发展社会和沟通不足之前表现出来^6,81。由于这些运动行为可以从生命的第一天开始客观地量化，因此它们对于早期发现该疾病具有重要意义。该研究提供了对运动行为和步态的初步见解，作为ASD的潜在行为标记，这表明可以通过纳入这些运动障碍和行为来使当前的诊断实践更全面。将步态模式与机器学习技术相结合可以极大地增强自动化和计算机辅助的早期检测。通过分析一些关键步态参数，机器学习模型具有识别在传统行为评估中可能忽略的微妙模式。这种方法将客观步态评估与机器学习整合在一起，可以使ASD的更早，更准确的诊断。此外，由于它是数据驱动的，因此该方法可能有助于减少临床医生的偏见并提高诊断的一致性，最终导致ASD谱系儿童的临床结果更好。

当在关键发展的早期诊断ASD时，可以利用大脑可塑性的优势来防止幼儿中ASD症状的完全表现⁸。结果，这些孩子的生活可能会大大改善。传统上，ASD的干预措施专注于社会和沟通障碍@@@@@⁸²。但是，根据这项和以前的研究的发现，还可以开发量身定制的干预措施来解决ASD儿童的步态障碍。

该研究评估了ASD儿童的时空和运动步态参数，并将这些参数与TD儿童的参数进行了比较。还评估了重要步态参数与ASD症状之间的关联。使用一定数量的步态参数使用机器学习技术来对两组儿童进行分类。结果表明，与TD儿童相比，ASD的儿童表现出较小的步长和较小的右肘部以及右肩较大的较大。右肩°与ASD儿童的感觉症状显着相关。测试了几种机器学习算法以对这两组进行分类，其logit在准确区分患有ASD和TD儿童的儿童的最高准确度（0.82）的基础上，基于一些关键步态参数，包括步长，右肘部，°，右肩°。

虽然该研究为患有ASD儿童的步态参数提供了宝贵的见解，但在解释发现时必须考虑一些局限性。首先，样本量很小，这可能会限制分析的统计能力并降低结果的普遍性。一个小样本可能无法充分代表ASD的全部儿童。其次，该研究没有评估步态模式的性别差异，这可能进一步限制了发现的普遍性。在不探索步态参数的性别差异的情况下，该研究可能会忽略ASD儿童步态的重要细微差别。结果，这些发现可能更适用于ASD的男性儿童，并且可能无法完全捕获潜在的性别特定步态模式，从而需要在未来的研究中进行进一步研究。最后，步态和ASD症状之间的关联很弱，这表明这些发现是初步的，应谨慎解释。

未来的研究应考虑招募更大的样本，以代表ASD的更多样化的儿童，以确保发现这些发现适用于整个疾病的整个疾病。还应探索步态参数的性别差异，以及这些步态模式与ASD症状的相关性如何。ASD儿童的感觉症状与步态参数之间的关系可能是未来研究的宝贵领域。调查感官信息如何与这些儿童中的运动命令融为一体，可以进一步了解潜在的神经心理学机制。尽管本研究中使用了监督的机器学习，但未来的研究可以从更先进的技术中受益，例如无监督的机器学习，深度学习和时间序列数据分析，以更好地对ASD进行分类。最后，探索ASD儿童步态受损的神经相关性将为未来的研究提供有趣而重要的途径。

虽然先前的研究已成功地使用了从额叶视图和MediaPipe的单个RGB摄像机来计算步态参数，但这种方法虽然有前途，但仍然受到了几个限制@@@@@@@@@@@@@@@@@@@@@@@@@⁸³。单个RGB摄像机仅捕获2D信息，这显着限制了准确评估步态的能力。尽管我们手动检查了视频阻塞，但对于单相机设置，这仍然是一个挑战，可能导致肢体位置上缺少或不精确的数据，从而影响分析的准确性。此外，相机的定位至关重要，调整不当会导致偏差的结果和不可靠的步态参数。MediaPipe是一种功能强大且轻巧的工具，可用于姿势估计，但是关键点检测的准确性可能会受到各种因素（例如照明条件和参与者的姿势）的影响。此外，替代开源姿势估计模型，例如OpenPose @@@@@⁸⁴和alphapose @@@⁸⁵，可以探索并将其与Mediapipe进行比较，以提高准确性。

为了应对这些挑战，未来的研究可能会使多个RGB摄像机和放置在不同飞机上的深度传感器中受益。这将使联合位置和肢体运动更准确地重建，从而导致步态分析。此外，连接到人体或基于标记的系统的可穿戴传感器可提供步态，关节角度和姿势的高度准确测量，它们在临床和非临床环境中都很有价值。但是，这些系统往往是昂贵的，并且需要受控的环境，这对于所有研究环境可能都是可行的。因此，我们建议未来的研究整合了先进的机器学习和深度学习技术，以通过单个RGB摄像机提高步态分析的准确性和适应性。通过将这些高级方法与改进的姿势估计模型相结合，我们可以潜在地克服当前方法的某些局限性，并在实际应用中获得更可靠的结果。

作者和单位

1. 印度北阿坎德邦坎多利的自由研究和媒体学院

   Umer Jon Ganai

2. 印度印度科技学院电气工程系，印度Kalyanpur

   AdityaRatneâ＆k。S. Venkatesh

3. 印度科技学院坎普尔，印度Kalyanpur的人文与社会科学系

   Braj Bhushan

贡献

UJG：概念化，方法和设计，数据收集，数据分析，写作和编辑原始草稿。AR：数据收集和数据分析。BB: Conceptualization and design, editing and reviewing the draft.KSV: Methodology, software, and infrastructural support.All authors read and approved the fnal manuscript.

通讯作者

通讯至Umer Jon Ganai。

利益竞争

作者声明没有竞争利益。

遵守道德标准

The study was conducted in accordance with the Declaration of Helsinki and was approved by the Institutional Ethics Committee.

知情同意

The written consent was obtained from the parents of the children prior to the data collection.

Publisher’s note

施普林格·自然对于已出版的地图和机构隶属关系中的管辖权主张保持中立。

开放获取本文获得 Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License 的许可，该许可允许以任何媒介或格式进行任何非商业使用、共享、分发和复制，只要您给予原作者适当的署名即可和来源，提供知识共享许可的链接，并指出您是否修改了许可材料。根据本许可，您无权共享源自本文或其部分内容的改编材料。The images or other third party material in this article are included in the article’s Creative Commons licence, unless indicated otherwise in a credit line to the material.If material is not included in the article’s Creative Commons licence and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder.要查看此许可证的副本，请访问http://creativecommons.org/licenses/by-nc-nd/4.0/。转载和许可

关于本文