概括：在掌握任务期间，微妙的手移动可能有助于以高精度诊断自闭症谱系障碍（ASD）。研究人员利用机器学习分析了自闭症和非自动性个体如何用手指掌握对象，从而达到了约85％的分类精度。
这些运动差异通常在生命的早期可以检测到，可以补充依赖于后来发展行为标志的当前诊断方法。这些发现可能会导致更简单，可扩展的工具，用于早期诊断和更快的干预，从而改善对自闭症患者的支持。
关键事实：
- 85％的精度：机器学习根据高精度掌握动作的自闭症分类。
- 早期电机信号：与当前方法相比，微妙的运动差异可能允许更早的ASD诊断。
- 可扩展潜力：自然手动分析提供了一种更简单，更容易获得的诊断方法。
来源：约克大学
及时诊断自闭症谱系障碍是一个重大挑战，但是约克大学的新研究表明，年轻人和可能的儿童如何掌握物体可以提供一种更简单的方法来诊断自闭症谱系中的人。
该团队是国际合作的一部分，它使用机器学习来分析自然主义和非自动人士的手指动作，具体来说是手指动作。
``我们的模型能够以大约85％的精度对自闭症进行分类，这表明这种方法可以提供更简单，可扩展的诊断工具。''首席作家，约克心理学系和视觉研究中心的副教授，副教授。
自闭症目前影响加拿大儿童中约有十分之一，及时，可访问的诊断仍然是一个重大挑战。我们的发现增加了不断增长的研究，这表明微妙的运动模式可能会提供有价值的诊断信号 - 尚未在临床实践中得到广泛利用。”
除了社会和沟通挑战，自闭症，一种神经发育障碍，
可以包括运动异常，这些异常经常出现在幼儿时代。研究人员说，对这些运动运动进行测试可能会导致更快的诊断和干预。
诊断的主要行为标志物的重点是那些相对较晚的发病率和可以在童年早期很早就捕获的电动标记可能会降低诊断的年龄。
要求自闭症和非作业的年轻参与者使用其拇指和食指，这些手指附有跟踪标记，以掌握不同尺寸的不同块，举起每个块，并将其替换在同一位置，然后将手放回起点。
研究人员使用机器学习来分析参与者的手指运动，因为他们进行了抓住动作。
两组参与者的智商都正常，并且在年龄和智力上都匹配。使用年轻人而不是儿童来排除由于发育延迟而导致的发现的任何差异。
研究发现，可以有效地以超过84％的精度来有效捕获微妙的运动控制差异。该研究还表明，自闭症和非自动参与者之间的抓握运动具有不同的运动特性。
弗洛伊德说，对自然主义精确施加任务的分析通常在先前的研究中没有使用。但是，机器学习为研究人员提供了一种强大的新工具来分析运动模式，并在评估自闭症谱系障碍评估中使用运动数据的新方法。
弗洛伊德说，这些发现可能导致开发更易于访问和可靠的诊断工具，以及及时的干预和支持，从而可以改善自闭症患者的结果。
关于自闭症研究新闻
作者：桑德拉·麦克莱恩（Sandra McLean）
来源：约克大学
接触：桑德拉·麦克莱恩·约克大学
图像：图像被认为是神经科学新闻
原始研究：开放访问。
通过掌握运动学的有效自闭症分类Erez Freud等人。自闭症研究
抽象的
通过掌握运动学的有效自闭症分类
自闭症是一种复杂的神经发育状况，运动异常在社会和沟通困难中起着核心作用。
这些运动症状通常在童年时期表现出来，使其成为早期诊断和干预的关键目标。
这项研究旨在评估自然主义掌握任务中的运动学特征是否可以准确地将自闭症参与者与非自闭症参与者区分开。
我们分析了自闭症和非自主成年人的抓握运动，跟踪两个标记在拇指和食指上。使用主题的交叉验证分类器，我们获得了超过84％的精度得分。
接收器操作特征分析显示，在主题分析中，在曲线值高于0.95的曲线值下，在试验分析中的曲线值高于0.85。
这些发现表明在准确区分自闭症参与者和非自然主义者方面的可靠性很强。
这些发现表明，可以有效地捕获细微的运动控制差异，为开发自闭症的可访问且可靠的诊断工具提供了有希望的方法。