| 1. |
- Lang, S, et al.
(author)
-
Early Detection of Developmental Disorders: The role of Canonical Babbling
- 2021
-
In: KINDHEIT UND ENTWICKLUNG. - : Hogrefe Publishing Group. - 0942-5403 .- 2190-6246. ; 30:1, s. 15-24
-
Journal article (other academic/artistic)abstract
- Zusammenfassung. Theoretischer Hintergrund: Forschungsergebnisse zum frühen Spracherwerb bei Kindern mit spät erkannten Entwicklungsstörungen sind inkonsistent und angesichts unterschiedlicher Forschungsparadigmen und Definitionen nur bedingt vergleichbar. Fragestellung: Ziel dieser Übersichtsarbeit ist es, das Potenzial früher verbaler Fähigkeiten, vor allem des kanonischen Lallens, als Marker zur Früherkennung von Autismus-Spektrum-Störung, Rett-Syndrom und Fragilem-X-Syndrom zu beschreiben. Methode: Übersichtsarbeit über retrospektive und prospektive Studien zu frühen verbalen Fähigkeiten in der Prodromalphase dieser Störungsbilder. Ergebnisse: Einige Kinder mit spät erkannten Entwicklungsstörungen erwerben das kanonische Lallen nach dem kritischen Zeitfenster von 6 bis 10 Monaten und/oder haben oft qualitative Veränderungen in ihren Lautäußerungen. Diskussion und Schlussfolgerung: Eine abweichende Entwicklung des kanonischen Lallens kann auf spätere atypische Entwicklung hinweisen. Als funktioneller Marker für die spezifische Früherkennung von Entwicklungsstörungen scheint dieser Erwerbsmeilenstein jedoch nicht geeignet. Linguistische und signalbasierte Detailanalysen frühkindlicher Vokalisationen könnten zukünftig einen entscheidenden Beitrag hierzu leisten.
|
|
| 2. |
- Reich, S, et al.
(author)
-
Novel AI driven approach to classify infant motor functions
- 2021
-
In: Scientific reports. - : Springer Science and Business Media LLC. - 2045-2322. ; 11:1, s. 9888-
-
Journal article (peer-reviewed)abstract
- The past decade has evinced a boom of computer-based approaches to aid movement assessment in early infancy. Increasing interests have been dedicated to develop AI driven approaches to complement the classic Prechtl general movements assessment (GMA). This study proposes a novel machine learning algorithm to detect an age-specific movement pattern, the fidgety movements (FMs), in a prospectively collected sample of typically developing infants. Participants were recorded using a passive, single camera RGB video stream. The dataset of 2800 five-second snippets was annotated by two well-trained and experienced GMA assessors, with excellent inter- and intra-rater reliabilities. Using OpenPose, the infant full pose was recovered from the video stream in the form of a 25-points skeleton. This skeleton was used as input vector for a shallow multilayer neural network (SMNN). An ablation study was performed to justify the network’s architecture and hyperparameters. We show for the first time that the SMNN is sufficient to discriminate fidgety from non-fidgety movements in a sample of age-specific typical movements with a classification accuracy of 88%. The computer-based solutions will complement original GMA to consistently perform accurate and efficient screening and diagnosis that may become universally accessible in daily clinical practice in the future.
|
|
