Resumo Técnico: Avaliando o Efeito da Taxa de Quadros na Classificação Baseada em Sequências de Idiosincrasias de Autoestimulação Relacionadas ao Autismo

Declaração do Problema

O Transtorno do Espectro Autista (TEA) afeta aproximadamente 75 milhões de indivíduos globalmente, contudo, métodos de triagem comportamental remotos e escaláveis permanecem limitados. O diagnóstico atual depende de avaliações clínicas laboriosas e de múltiplas visitas (ex: ADOS-2), criando gargalos em ambientes de poucos recursos. Embora o reconhecimento automatizado de comportamentos de autoestimulação ("stimming") a partir de vídeos ofereça uma solução potencial, as abordagens computacionais enfrentam dois desafios primários:

1. Escassez de Dados: Conjuntos de dados rotulados publicamente, como o conjunto de dados Self-Stimulatory Behavior Diagnosis (SSBD), são extremamente pequenos (75 vídeos em três categorias de comportamento).
2. Limitações Arquiteturais: Trabalhos anteriores basearam-se fortemente em Redes Neurais Convolucionais (CNNs) aplicadas a quadros estáticos ou clipes curtos, alcançando precisões de apenas 62–76%. Esses modelos frequentemente falham em explorar a estrutura temporal inerente às estereotipias motoras repetitivas.

Adicionalmente, existe uma questão não resolvida sobre a taxa de amostragem temporal ideal: a extração de características em cada quadro pode introduzir redundância, enquanto o subamostragem agressiva corre o risco de perder a dinâmica diagnosticamente relevante. Além disso, a eficácia de estratégias específicas de aumento de dados para vídeos comportamentais clínicos não foi caracterizada sistematicamente.

Metodologia

O estudo utiliza o conjunto de dados SSBD, composto por 75 vídeos anotados de crianças exibindo movimentos de braços (arm flapping), bater de cabeça (head banging) e giro (spinning). A pesquisa é dividida em dois conjuntos experimentais complementares:

Experimento 1: Arquitetura Baseada em Sequência e Taxa de Amostragem

• Subconjunto de Dados: 50 vídeos contendo comportamentos de flapping de mãos.
• Extração de Características: Características geométricas baseadas em pose foram extraídas de pontos-chave do corpo (keypoints).
• Amostragem Temporal: As características foram extraídas em seis intervalos: a cada 1, 5, 15, 30, 45 e 90 quadros.
• Arquiteturas: Dois modelos sequenciais foram treinados e comparados:
  • LSTM: Uma única camada de Long Short-Term Memory seguida de dropout e uma saída densa softmax.
  • GRU: Uma camada de Gated Recurrent Unit com uma configuração semelhante, mas utilizando portas de atualização (update) e de reset (menos parâmetros que a LSTM).
• Avaliação: Foi utilizada uma divisão de treino-teste de 80-20 para medir acurácia, precisão, recall e perda (loss).

Experimento 2: Aumento de Dados e Aprendizado por Transferência

• Conjunto de Dados: O SSBD completo (75 vídeos, três classes).
• Pipeline: Um Inflated 3D ConvNet (I3D), pré-treinado no Kinetics-400, serviu como a espinha dorsal de extração de características. Entradas de fluxo duplo (matrizes RGB e vetores de fluxo óptico) foram processadas.
• Estratégias de Aumento: Dez métodos foram aplicados: Inversão horizontal (Horizontal flip), Inversão vertical (Vertical flip), Ajuste temporal (Temporal fit - 200 quadros), Transformação elástica temporal (Temporal elastic transformation), Ordem inversa (Inverse order), Transformação elástica (Elastic transformation), Ruído salt (Salt noise), Ruído pepper (Pepper noise), Subamostragem (Downsampling) e Sobreamostragem (Upsampling).
• Protocolos de Avaliação:
  • Standalone: Cada aumento aplicado individualmente para medir o impacto isolado.
  • Ablação (Leave-One-Out): Todos os aumentos aplicados simultaneamente, exceto um, para identificar a contribuição marginal de cada técnica.
• Aprendizado Personalizado: Um protocolo onde modelos por sujeito foram treinados em segmentos divididos temporalmente (80% treino, 20% teste) dentro de vídeos individuais para avaliar a consistência intra-vídeo.

Principais Resultados

Desempenho de Arquitetura e Amostragem

• Superioridade dos Modelos Sequenciais: Ambas as arquiteturas LSTM e GRU superaram significativamente as linhas de base de CNN anteriores (62–76%).
• Taxa de Amostragem Ótima: O pico de desempenho para ambas as arquiteturas ocorreu em um intervalo de amostragem de 15 quadros.
  • GRU: Alcançou a maior acurácia de 98,75%.
  • LSTM: Alcançou 97,5% de acurácia.
• Degradação de Desempenho:
  • A amostragem a cada quadro (intervalo 1) resultou em menor acurácia (90,0% LSTM, 92,5% GRU), provavelmente devido ao ruído e ao overfitting em informações temporais redundantes.
  • A amostragem a cada 90 quadros (um único quadro por vídeo) resultou em acurácias em torno de 81%, refletindo a perda de dinâmicas temporais.
• Eficiência: O modelo GRU ofereceu o melhor equilíbrio entre alta acurácia e tempo de treinamento mais rápido devido ao seu número reduzido de parâmetros.

Descobertas de Aumento de Dados

• Desempenho Standalone: Aumentos espaciais superaram os temporais. A inversão horizontal alcançou a maior acurácia standalone (48,78%), seguida pela subamostragem (43,90%). Aumentos temporais (ex: ordem inversa, elástica temporal) geralmente tiveram desempenho inferior.
• Estudo de Ablação: A soreamostragem (upsampling) foi identificada como o componente mais crítico. A exclusão da soreamostragem resultou na maior perda de treinamento (5.0101), indicando sua necessidade para expandir o conjunto de treinamento efetivo em pequenos conjuntos de dados. A exclusão da inversão horizontal produziu a segunda maior degradação.
• Contexto: A acurácia absoluta na tarefa de aumento de três classes atingiu o pico de 48,78%, o que é comparável à linha de base SVM original do SSBD (47,1%), mas reflete a maior dificuldade da tarefa de classificação de três vias.

Aprendizado de Máquina Personalizado

• O treinamento de modelos por sujeito em segmentos de vídeo divididos temporalmente rendeu uma perda média de 1,84 (DP 0,79). O baixo desvio padrão sugere que os padrões comportamentais individuais são suficientemente consistentes dentro de uma única gravação para suportar a generalização intra-vídeo.

Significância e Contribuições

O artigo afirma fornecer orientações concretas e acionáveis para pesquisadores que desenvolvem ferramentas baseadas em vídeo para triagem comportamental de autismo em domínios clínicos com escassez de dados. As contribuições específicas são:

1. Orientação de Arquitetura e Amostragem: Demonstrar que modelos baseados em sequências (LSTM/GRU) superam as linhas de base de CNN para classificação de comportamento autoestimulatório, com um intervalo de amostragem de 15 quadros oferecendo o equilíbrio ideal entre capturar dinâmicas temporais e filtrar ruídos. Isso sugere uma redução potencial de 93% no custo computacional para implantação em comparação ao processamento quadro a quadro.
2. Caracterização de Aumento: Avaliar sistematicamente dez estratégias de aumento, identificando a inversão horizontal como o método standalone mais eficaz e a soreamostragem como o componente mais crítico para o desempenho do pipeline em pequenos conjuntos de dados comportamentais.
3. Validação de Abordagem Personalizada: Mostrar que modelos por sujeito treinados em segmentos de vídeo particionados temporalmente produzem previsões consistentes, sugerindo um caminho viável para calibração clínica onde um modelo é adaptado ao comportamento inicial de uma criança específica.

Os autores observam que, embora os resultados sejam promissores, o pequeno tamanho do conjunto de dados limita a certeza estatística quanto à generalização para a população ampla de TEA, e trabalhos futuros devem empregar validação cruzada e explorar arquiteturas mais complexas, como Transformers.