Resumen Técnico: Evaluación del Efecto de la Tasa de Fotogramas en la Clasificación Basada en Secuencias de Idiosincrasias de Autogestión Relacionadas con el Autismo

Planteamiento del Problema

El Trastorno del Espectro Autista (TEA) afecta aproximadamente a 75 millones de personas en todo el mundo, sin embargo, los métodos de detección conductual remotos y escalables siguen siendo limitados. El diagnóstico actual depende de evaluaciones clínicas laboriosas de múltiples visitas (por ejemplo, ADOS-2), lo que crea cuellos de botella en entornos de bajos recursos. Si bien el reconocimiento automatizado de conductas de autoestimulación ("stimming") a partir de video ofrece una solución potencial, los enfoques computacionales enfrentan dos desafíos principales:

1. Escasez de Datos: Los conjuntos de datos etiquetados disponibles públicamente, como el conjunto de datos de Diagnóstico de Conducta de Autoestimulación (SSBD), son extremadamente pequeños (75 videos en tres categorías de comportamiento).
2. Limitaciones Arquitectónicas: Trabajos previos se han basado fuertemente en Redes Neuronales Convolucionales (CNN) aplicadas a fotogramas estáticos o clips cortos, logrando precisiones de solo 62–76%. Estos modelos a menudo fallan al no explotar la estructura temporal inherente a las estereotipias motoras repetitivas.

Además, existe una pregunta no resuelta sobre la tasa de muestreo temporal óptima: extraer características en cada fotograma puede introducir redundancia, mientras que un submuestreo agresivo corre el riesgo de perder la dinámica diagnósticamente relevante. Asimismo, la efectividad de estrategias específicas de aumentación de datos para videos conductuales clínicos no ha sido caracterizada sistemáticamente.

Metodología

El estudio utiliza el conjunto de datos SSBD, que comprende 75 videos anotados de niños que exhiben aleteo de brazos, golpes en la cabeza y giros. La investigación se divide en dos conjuntos experimentales complementarios:

Experimento 1: Arquitectura Basada en Secuencias y Tasa de Muestreo

• Subconjunto de Datos: 50 videos que contienen conductas de aleteo de manos.
• Extracción de Características: Se extrajeron características geométricas basadas en la postura a partir de puntos clave del cuerpo (keypoints).
• Muestreo Temporal: Las características se extrajeron en seis intervalos: cada 1, 5, 15, 30, 45 y 90 fotogramas.
• Arquitecturas: Se entrenaron y compararon dos modelos secuenciales:
  • LSTM: Una sola capa de Memoria de Largo Corto Plazo (Long Short-Term Memory) seguida de dropout y una salida densa softmax.
  • GRU: Una capa de Unidad Recurrente con Puerta (Gated Recurrent Unit) con una configuración similar, pero utilizando puertas de actualización y de reinicio (menos parámetros que la LSTM).
• Evaluación: Se utilizó una división de entrenamiento-prueba de 80-20 para medir la precisión, la precisión (precision), la sensibilidad (recall) y la pérdida (loss).

Experimento 2: Aumentación de Datos y Aprendizaje por Transferencia

• Conjunto de Datos: El SSBD completo (75 videos, tres clases).
• Pipeline: Un modelo de Convolución 3D Inflado (I3D), preentrenado en Kinetics-400, sirvió como la arquitectura base de extracción de características. Se procesaron entradas de doble flujo (arreglos RGB y vectores de flujo óptico).
• Estrategias de Aumentación: Se aplicaron diez métodos: Volteo horizontal, Volteo vertical, Ajuste temporal (200 fotogramas), Transformación elástica temporal, Orden inverso, Transformación elástica, Ruido de sal, Ruido de pimienta, Submuestreo y Sobremuestreo.
• Protocolos de Evaluación:
  • Independiente (Standalone): Cada aumentación aplicada individualmente para medir el impacto aislado.
  • Ablación (Dejar uno fuera): Todas las aumentaciones aplicadas simultáneamente excepto una, para identificar la contribución marginal de cada técnica.
• Aprendizaje Personalizado: Un protocolo donde se entrenaron modelos por sujeto utilizando segmentos divididos temporalmente (80% entrenamiento, 20% prueba) dentro de videos individuales para evaluar la consistencia intra-video.

Resultados Clave

Desempeño de la Arquitectura y el Muestreo

• Superioridad de los Modelos Secuenciales: Ambas arquitecturas, LSTM y GRU, superaron significativamente a las líneas base de CNN previas (62–76%).
• Tasa de Muestreo Óptima: El rendimiento máximo para ambas arquitecturas ocurrió en un intervalo de muestreo de 15 fotogramas.
  • GRU: Logró la precisión más alta de 98.75%.
  • LSTM: Logró una precisión del 97.5%.
• Degradación del Desempeño:
  • Muestrear cada fotograma (intervalo 1) resultó en una menor precisión (90.0% LSTM, 92.5% GRU), probablemente debido al ruido y al sobreajuste de información temporal redundante.
  • Muestrear cada 90 fotogramas (un solo fotograma por video) resultó en precisiones alrededor del 81%, lo que refleja la pérdida de la dinámica temporal.
• Eficiencia: El modelo GRU ofreció el mejor equilibrio entre alta precisión y tiempo de entrenamiento más rápido debido a su menor recuento de parámetros.

Hallazgos de la Aumentación de Datos

• Desempeño Independiente: Las aumentaciones espaciales superaron a las temporales. El volteo horizontal logró la mayor precisión independiente (48.78%), seguido del submuestreo (43.90%). Las aumentaciones temporales (por ejemplo, orden inverso, elástica temporal) generalmente tuvieron un desempeño inferior.
• Estudio de Ablación: El sobremuestreo fue identificado como el componente más crítico. Excluir el sobremuestreo resultó en la mayor pérdida de entrenamiento (5.0101), lo que indica su necesidad para expandir el conjunto de entrenamiento efectivo en conjuntos de datos pequeños. Excluir el volteo horizontal produjo la segunda degradación más alta.
• Contexto: La precisión absoluta en la tarea de aumentación de tres clases alcanzó su pico en 48.78%, lo cual es comparable a la línea base original de SVM de SSBD (47.1%), pero refleja la mayor dificultad de la tarea de clasificación de tres vías.

Aprendizaje Automático Personalizado

El entrenamiento de modelos por sujeto en segmentos de video divididos temporalmente produjo una pérdida media de 1.84 (DE 0.79). La baja desviación estándar sugiere que los patrones conductuales individuales son lo suficientemente consistentes dentro de una sola grabación como para soportar la generalización intra-video.

Significado y Contribuciones

El artículo pretende proporcionar una guía concreta y accionable para investigadores que desarrollan herramientas basadas en video para el cribado conductual del autismo en dominios clínicos con escasez de datos. Las contribuciones específicas son:

1. Guía de Arquitectura y Muestreo: Demostrar que los modelos basados en secuencias (LSTM/GRU) superan a las líneas base de CNN para la clasificación de conductas de autoestimulación, siendo un intervalo de muestreo de 15 fotogramas el equilibrio óptimo entre capturar la dinámica temporal y filtrar el ruido. Esto sugiere una reducción potencial del 93% en el costo computacional para el despliegue en comparación con el procesamiento fotograma a fotograma.
2. Caracterización de la Aumentación: Evaluar sistemáticamente diez estrategias de aumentación, identificando el volteo horizontal como el método independiente más efectivo y el sobremuestreo como el componente más crítico para el rendimiento del pipeline en pequeños conjuntos de datos conductuales.
3. Validación del Enfoque Personalizado: Mostrar que los modelos por sujeto entrenados con segmentos de video particionados temporalmente producen predicciones consistentes, lo que sugiere una vía viable para la calibración clínica donde un modelo se adapta al comportamiento inicial de un niño específico.

Los autores señalan que, si bien los resultados son prometedores, el pequeño tamaño del conjunto de datos limita la certeza estadística respecto a la generalizabilidad a la población general con TEA, y el trabajo futuro debería emplear validación cruzada y explorar arquitecturas más complejas como los Transformers.