Modelo computacional para identificação de comportamentos estereotipados e determinação do nı́vel de ativação de pseudo autistas

Abstract

Os comportamentos estereotipados são movimentos atı́picos e repetitivos do corpo, os quais podem estar relacionados a transtornos mentais. Em pacientes com Transtorno do Espectro Autista (TEA), estes comportamentos podem ocasionar o aumento dos nı́veis de ativação. Deste modo, o desenvolvimento de sistemas capazes de reconhecer automaticamente tanto comportamentos estereotipados como inferir seu nı́vel de ativação pode ajudar abordagens terapêuticas. Este trabalho propõe um sistema para inferir os nı́veis de ativação de comportamentos estereotipados tı́picos do autismo, em que diferentes Algoritmos de Aprendizado de Máquina (AAMs) são avaliados para o processo de classificação dos comportamentos estereotipados e para determinar os nı́veis de ativação relacionados. Uma métrica de desempenho denominado de Índice de Desempenho Temporal (IDT) é também proposta para avaliar o desempenho dos AAMs, considerando o tempo de classificação dos comportamentos estereotipados relacionando-o com os nı́veis de acurácias e precisão. Para classificação dos comportamentos estereotipados, o Hidden Markov Model (HMM) e o Multilayer Percetron (MLP) apresentaram melhores desempenho que a Support Vector Machine (SVM) e Convolutional Neural Network (CNN). A aplicação de técnicas de Adaptive Neuro-Fuzzy baseados no algoritomo de agrupamento Fuzzy C-Means permitiram determinar e diferenciar os nı́veis de ativação dos comportamentos estereotipados considerados neste trabalho.

Stereotyped Behaviors (SBs) are atypical and repetitive movements of the body, which can be related to low mental health condition. These behaviors can lead the patients with Autism Spectrum Disorder (ASD) to increase their activation levels. The development of systems able to both recognize SBs and inferring activation level automatically can aid some therapeutic approaches. In this paper, a system is proposed to infer activation levels from recognized SBs, where different Machine Learning Algorithms (MLAs) are evaluated for classifying the SBs and determining the related activation levels. A performance metric, called Temporal Performance Index (TPI), is also proposed to evaluate the performance of MLAs that consider the time for classification of SBs by relating it to accuracy and precision. For classifying the SB, the Hidden Markov Models and Multilayer Perceptron presented the best performance than Support Vector Machine and Convolutional Neural Network. The Adaptive Neuro-Fuzzy technique based on the Fuzzy C-Means Clustering algorithm allowed one to determine and differentiate the activation levels of the three stereotyped behaviors considered in the present study.