出生时或出生前出现并发症的婴儿，往往都必须面临未来认知或身体出现障碍的风险，为了协助及早辨别婴儿是否出现非典型的发展阶段，欧美研究团队在可穿戴设备和机器学习技术的帮助下，开发出一种算法针对肢体运动模式进行分类，进而预测婴儿是否可能出现神经缺陷。
由南加州大学（USC）和西班牙马德里卡洛斯三世大学（UC3M）研究人员组成的团队指出，许多研究都指出像是踢腿频率、时空概念（spatiotemporal）和相关肢体协调的运动情况，在典型发育的婴儿和早产、智力障碍、唐氏症、脊柱裂等非典型、具风险的婴儿间是不同的，但有一个问题：这些差距难以在婴儿早期发现。
为了协助预测，团队在南加州大学的婴儿神经运动控制实验室，收集了包含加速度计、陀螺仪和磁力计等绑在婴儿脚踝上的运动数据，并让算法掌握这些感测器收集的内容，像是每个动作持续的时间、平均加速度、最大加速度和其他特征等。
接着研究人员再添加年龄、发育程度和发育标签（即典型或非典型）等特征，运用大量二进制分类算法建构预测模型，并从中选出 3 个表现最好的整合，最小化任何模型可能有的偏见。
最终产生的算法预测得出一定准度，透过分析运动数据，6 个月以内婴儿的发展迟缓预测准确度达 83.9%，6~12 个月婴儿的准确率也达 77%。
研究人员认为，从整体来看，算法的结果可说是进一步确立了运动学特征与婴儿发育之间的关系，未来的研究中，该团队希望能“招募”更多婴儿，最终创造一个算法，能根据感测器的历史数据来预测婴儿的运动情况。
团队表示，以现在的情况来说，发展迟缓经常无法在婴儿 2 岁前诊断出来，这也让许多婴儿无法早期接受针对性治疗措施。他们希望未来开发的算法能证实发展迟缓与出生几个月内的婴儿运动数据间的关联性，进而促使更多婴儿接受早期治疗。
- Researchers develop AI that predicts developmental disabilities in infants
- Predicting Infant Motor Development Status using Day Long Movement Data from Wearable Sensors
（首图来源：pixabay）
