Dikkat Eksikliği ve Hiperaktivite Bozukluğu Olan Çocukların Yüz Tanıma Becerilerinin Ölçülmesi ve Yüz Davranışlarının Bilgisayarlı Analizi

Abstract

Amaç: Bu çalışmada Dikkat Eksikliği Hiperaktivite Bozukluğu (DEHB) tanılı çocukların duygu ifadelerinin bilgisayarlı yüz analizi ile incelenmesi ve duygu tanıma becerilerinin araştırılması amaçlanmıştır. Materyal ve Metot: Bu araştırmaya en azından son üç ayda psikiyatrik ilaç kullanmayan, zeka skoru en düşük 80 olan, 6-12 yaş grubundaki DEHB (n=56) ve 45 kontrol olgusu alındı. Sözel Olmayan İfadelerin Tanısal Analizi-2 (SIFTA2) kullanılarak, olguların duygu tanıma yeterlilikleri ölçülmüştür. Bir grup katılımcı, ortalama 7 dakika süren çizgi film sahneleri izlemiş ve yüz davranışları video kaydına alınmıştır. OpenFace yazılımı video analizi için kullanılmıştır. DEHB ve kontrol grupları arasındaki verilerin ayrımı için SVM (Support Vector Machines), naive-bayes, lojistik regresyon makine öğrenme yöntemleri kullanılmıştır. Bulgular: SIFTA2 toplam puanlarında da –DEHB'de daha yetersiz duygu tanıma becerisi yönünde- bulunan anlamlı fark, zeka düzeyleri kontrol edildiğinde anlamlı düzeyde bulunmamıştır. DEHB grubu klinik görünümlerine göre ayrıldığında, dikkatsizlik önde giden çocuklar, diğer gruptakilere göre, SIFTA çocuk yüzleri ve genel toplamda anlamlı olarak daha düşük performans göstermişlerdir. DEHB grubu eşlik eden psikiyatrik bozukluklara göre gruplandığında, Özgül Öğrenme Bozukluğu (ÖÖB) eşlik eden grup, diğerlerine göre belirgin olarak postürden duygu tanımakta ve toplam puanlarda daha fazla hata yapmıştır. Bilgisayarlı yüz analizine göre, sadece yüz eylem birimlerini (AU'leri) kullanarak en başarılı performansı gösteren Makine Öğrenmesi (MÖ) algoritması Derin Öğrenme yöntemleri olmuştur. Öte yandan, üzgün duyguların ağırlıkta olduğu Video 1'in sağlıklı kontroller ve DEHB grubu için en ayırt edici video olduğu görülmüştür. Video 1'de ayırt edici AU birimleri incelendiğinde de, AU12 (dudak köşesi çekici), AU07 (göz kapağı gerdirici), AU09 (burun kıvırıcı), AU45 (göz kırpma), AU06 (yanak yükseltici) en ayırt edici özellikler olmuştur. Sonuç: DEHB olguları arasında duygu tanıma düzeyleri klinik alttiplerine ve eşlik eden psikiyatrik bozukluklara göre farklılık göstermiştir. Duygu içeren video izleme sırasında DEHB ile kontrol grubu arasında en belirgin farkın üzgün video izlerken ortaya çıktığı görülmüştür. Bu çalışmadaki bulgular MÖ yöntemlerinin nörogelişimsel bozukluklardan biri ve en sık görüleni olan DEHB'nin tanısal geçerliliği için ümit verici olarak değerlendirilebilir.

Aim: It is aimed to investigate emotion recognition abilities and to assess the emotional expressions of faces with digital face analysis in the children diagnosed with Attention Deficit Hyperactivity Disorder (ADHD). Material and Method: The 6-12 years-old children with ADHD (n=56) who did not prescribed any psychiatric drug for at least the last three months, and health control subjects (n=45) who had an intelligence score of at least 80 were included into the study. To measure emotion recognition skills, the Diagnostic Analysis of Nonverbal Accuracy-2 (DANVA2) tests were administered. A group of participants watched three, 7-minute scenes from cartoon videos and facial expressions were video recorded. Openface Software was used for video analysis. For the differentiation of the data between ADHD and control groups, several machine learning procedures were applied including SVM (Support Vector Machines), naive-bayes, logistic regression. Results: The significant difference in the scores of DANVA2 total –which were in favor of control group- lost its significance when the intelligence scores were controlled. When the ADHD group was subtyped according to the clinical appearence, compared to the other groups, the children in the attention deficit predominant group had worse performance in DANVA child faces and total scores. As we divide the ADHD group according to the comorbidity, the Learning Disorder (LD) comorbid group had more mistake on emotion recognition from the posture and total scores of DANVA. According to the digital face analysis, among Machine Learning algorithms, the Deep Learning had the best differentiation capacity using only Facial Action Units (AU's). On the other hand, Video 1, which included predominantly the sad emotions was found to be the best differentiator between ADHD and control groups. In Video 1, AU12 (lip corner puller), AU07 (lid tightener), AU09 (nose wrinkler), AU45 (eye blink), and AU06 (cheek raiser) were the most discriminators. Conclusion: The emotion recognition levels of children in the ADHD group showed significant differences, in terms of clinical subtype and comorbid disorder. During the emotional video watching, the sad emotions were found to be more discriminative between ADHD and controls. The results suggest that the Machine Learning methods has a promising capacity for the differetiation of ADHD diagnosis, which is one of the most common neurodevelopmental disorder.