基于行为演化的细粒度骨架重建策略突破自闭症异质运动辨识瓶颈

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Modeling the Heterogeneous Movements of ASD via Fine-Grained Skeleton Representation Learning

为破解自闭症谱系障碍（ASD）行为异质性带来的诊断难题，Xuna Wang等提出行为演化驱动的边缘重建（BER）策略，构建BERGCN模型，在三大临床任务上将准确率提升至90.9%，计算量却暴降96.3%，为无创、隐私友好的ASD精准评估与干预评估打开新思路。

　　

在儿童精神健康领域，自闭症谱系障碍（ASD）像一团迷雾：不同孩子表现出的社交、沟通与刻板行为差异巨大，即便同一天被贴上“ASD”标签，其动作节奏、幅度、协调方式也可能天差地别。临床医生常用“千人千面”形容这种异质性，却也因此面临尴尬——传统基于视频或量表的评估手段主观性强、耗时费力，而现有AI模型又常把ASD当作“均质群体”，结果误诊、漏诊居高不下。更棘手的是，若想在家庭或社区等自然场景中持续追踪干预效果，设备还必须“无感”且保护隐私。于是，一个看似简单的诉求浮出水面：能否只用日常摄像头就能捕捉到的骨架坐标，精准刻画每个ASD孩子“独一无二”的运动指纹？

Xuna Wang、Hongwei Gao、Yanxin Cui等研究者决定直面挑战。他们注意到，骨架数据既能非侵入采集，又可隐去面部等敏感信息，恰好契合临床与伦理双重要求。但前人方法要么把骨架图结构“一刀切”，忽略个体差异；要么只在时空维度做大块文章，丢失细粒度信息。为填补空白，团队提出“行为演化驱动的边缘重建（BER）”策略，并搭建专用图卷积网络BERGCN，试图让模型像经验丰富的康复师一样，从举手投足间读懂孩子的“潜台词”。论文最终发表于《IEEE Transactions on Neural Systems and Rehabilitation Engineering》。

研究用到的关键技术方法可概括为四步：①以相邻帧差分压缩获得通道级动态信息；②设计空间边缘重建模块，融合通用与个性化注意力图，生成帧内关节关联权重；③构建时间边缘重建模块，用可学习偏移量实现帧间特征插值与加权聚合；④在单流/多流架构下，以残差BER-GCN块逐级提取判别特征，并在GFBM、MMASD、ASBD三大ASD数据集及NTU-RGBD-120基准上系统验证。

研究结果

1. 自闭症诊断任务（GFBM数据集） 通过与InfoGCN、DDGCN、DSGCN、BlockGCN、DeGCN等5种前沿模型对比，BERGCN在50例ASD与50例典型发育儿童的步态数据上取得90.9%准确率，Youden综合指数0.818，均刷新纪录；计算复杂度仅0.03 GFLOPS，较先前最佳方法暴降96.3%，实现“高精度+超低耗”双赢。
2. 干预活动识别任务（MMASD数据集） 针对32名ASD儿童在机器人辅助、韵律、瑜伽三大场景下的11类干预活动，BERGCN的Top-1准确率达89.3%，Top-3准确率达98.6%，均优于对照模型；运算量仅为3.65 GFLOPS，相较次优的DeGCN再降80.2%，证明其在精细动作分类与实时性之间取得良好平衡。
3. 异常行为识别任务（ASBD数据集） 在来自网络公开视频的165例刻板行为样本中，BERGCN以67.3%整体准确率和0.699的宏平均AUC-PR拔得头筹；对占比极低、动作微弱的“Hand-Action”类，其PR曲线最接近右上角，显示对困难样本同样具备优势。
4. 基准动作识别任务（NTU-RGBD-120数据集） 在11万余例、120类日常动作的大规模 benchmark 上，BERGCN采用Joint+Velocity+Bone+Bone-motion四模态融合，取得X-Sub 91.0%、X-Set 91.9%的准确率，与当前最佳DeGCN持平，却无需额外设计联合-骨骼融合模块，验证其泛化能力。
5. 消融实验与可视化解释 逐步去除“空间原点保留”“空间边缘重建”“时间边缘重建”三大组价，准确率呈阶梯式下降，确认各模块均贡献显著；对注意力图对角/非对角元素的标准差分析发现，ASD个体间差异主要体现在关节协同而非单关节幅度；时间重建参数的标准差在ASD组普遍更高，与临床观察到的“节奏异质”现象一致，从而为模型决策提供可解释依据。

结论与讨论 BERGCN首次将“行为演化”概念引入ASD骨架分析，通过在通道粒度动态重建空间-时间邻接关系，既捕捉群体共性，又保留个体异质，实现“轻量级网络+医疗级精度”的跨越。其诊断、干预、异常行为三大场景全面领先，且对日常动作数据集同样适用，说明方法具有跨病种、跨场景的普适潜能。未来，团队计划融合RGB、深度等多模态信息，并联合临床机构开展更大规模、多中心验证，让这套“读骨识心”的AI工具真正走进康复中心与家庭，为ASD早期筛查与个性化干预按下“加速键”。