Behavior Analysis in Autism Patients

Abstract

Esta obra insere-se no projecto de investigação ”Project Hometech”. Este focase num sistema de detecção de anomalias que pode monitorizar e detectar padrões de comportamento de pacientes com autismo. O sistema possibilita a detecção de estereotipias gravadas separadamente em vídeos offline e a previsão de resposta de um paciente a um determinado estímulo. As estereotipias constam numa lista de comportamentos exibidos recentemente ou de actividades previamente executadas. Com os dados recolhidos e a informação processada, é possível que essa base de dados possa também ser utilizada para tratar outros pacientes com semelhantes incapacidades [1]. A doença de autismo pode manifestar-se de vários sintomas possíveis tais como o afastamento extremo, falta de interacção social, comportamento repetitivo e violento entre outros. O desenvolvimento de terapia comportamental é relativamente desafiante uma vez que cada paciente autista é um caso isolado devido à grande variedade de sintomas e casos de intensidade. Usando o conhecimento obtido e analisando os dados sobre as actividades diárias do paciente poderá revelar padrões que ligam essas actividades. Isso poderá proporcionar aos terapeutas algum conhecimento prévio de prováveis resultados comportamentais possíveis relacionados com as suas terapias. Uma estrutura de reconhecimento de gestos foi criada com base num descritor local de movimento (LMD) com todas as informações necessárias [77]. A principal contribuição é propor um esquema de aprendizagem-classificação baseado em acompanhamento fiável através de pontos de interesse detectados utilizando o algoritmo Kanade-Lucas-Tomasi (KLT) em conjunto com o algoritmo mínimo de valores próprios desenvolvido por Shi-Tomasi [72]. Uma base de dados é gerada a partir do centroide, desvio padrão e velocidade média dos pontos de interesse acumulados. Na etapa final comparamos a base de dados gerada com uma sequência de testes com vários movimentos conhecidos e desconhecidos usando múltiplas máquinas de suporte de vector (SVM) binárias

This work is part of a research project called “Project Hometech”. It focuses on an anomaly detection system, which can monitor and detect behavior patterns of autism patients. Using separately recorded behavioral patterns in offline video footage, the system could predict the response of a patient to a stimulus, given a list of recently displayed behaviors or completed activities. The knowledge thus gathered could also be used to treat other patients of similar disability [1]. The autism disease can manifest itself by a wide variety of possible symptoms such as extreme withdrawal, lack of social interaction, repetitive and violent behavior between others. The development of behavioral therapy is relatively challenging since every autistic patient is an isolated case because of the wide variety of symptoms and intensity case. Collecting that knowledge gathered regarding the patient and analyzing the data about a patient’s daily activities could yield patterns linking these activities. This could thereby provide therapists with some foreknowledge of likely possible behavioral outcomes related to their therapies. A gesture recognition framework was created based on a Local Motion Descriptor (LMD) with all the necessary information [77]. The main contribution is to propose a learning-classification scheme based on reliable tracking of detected features using Kanade-Lucas-Tomasi (KLT) algorithm combined with the Minimum Eigenvalue algorithm developed by Shi-described in [72]. A database is created using the centroids, standard deviation and mean velocity of the clustered moving points. In the final step, we compare and classify the generated database with a test sequence through known and unknown stereotyped movements using multiple binary Support Vector Machines (SVM).