As improvements in medicine lower infant mortality rates, more infants with neuromotor challenges survive past birth. The motor, social, and cognitive development of these infants are closely interrelated, and challenges in any of these areas can lead to developmental differences. Thus, analyzing one of these domains - the motion of young infants - can yield insights on developmental progress to help identify individuals who would benefit most from early interventions. In the presented data collection, we gathered day-long inertial motion recordings from N = 12 typically developing (TD) infants and N = 24 infants who were classified as at risk for developmental delays (AR) due to complications at or before birth. As a first research step, we used simple machine learning methods (decision trees, k-nearest neighbors, and support vector machines) to classify infants as TD or AR based on their movement recordings and demographic data. Our next aim was to predict future outcomes for the AR infants using the same simple classifiers trained from the same movement recordings and demographic data. We achieved a 94.4% overall accuracy in classifying infants as TD or AR, and an 89.5% overall accuracy predicting future outcomes for the AR infants. The addition of inertial data was much more important to producing accurate future predictions than identification of current status. This work is an important step toward helping stakeholders to monitor the developmental progress of AR infants and identify infants who may be at the greatest risk for ongoing developmental challenges.

中文翻译：

---

从全天惯性运动记录中预测婴儿发育结果

随着医学上的进步降低了婴儿死亡率，越来越多的神经运动障碍婴儿在出生后得以幸存。这些婴儿的运动，社交和认知发展密切相关，在这些领域中的任何一个方面的挑战都可能导致发育差异。因此，分析这些领域之一-幼儿的运动-可以得出有关发育进展的见解，以帮助确定将从早期干预中受益最大的个体。在提出的数据收集中，我们收集了N = 12名典型发育（TD）婴儿和N = 24婴儿的全天惯性运动记录，这些婴儿被归类为因出生时或出生前的并发症而存在发育迟缓（AR）的风险。作为第一步研究，我们使用了简单的机器学习方法（决策树，k近邻，和支持向量机），以根据婴儿的运动记录和人口统计数据将其分类为TD或AR。我们的下一个目标是使用从相同运动记录和人口统计学数据训练而来的简单分类器，预测AR婴儿的未来结局。在将婴儿分类为TD或AR方面，我们获得了94.4％的整体准确度，并且预测了AR婴儿的未来结局的整体准确度为89.5％。与确定当前状态相比，添加惯性数据对于产生准确的未来预测更为重要。这项工作是朝着帮助利益相关者监测AR婴儿的发育进度并确定可能面临持续发展挑战最大风险的婴儿迈出的重要一步。我们的下一个目标是使用从相同运动记录和人口统计学数据训练而来的简单分类器，预测AR婴儿的未来结局。在将婴儿分类为TD或AR方面，我们获得了94.4％的整体准确度，并且预测了AR婴儿的未来结局的整体准确度为89.5％。与确定当前状态相比，添加惯性数据对于产生准确的未来预测更为重要。这项工作是朝着帮助利益相关者监测AR婴儿的发育进度并确定可能面临持续发展挑战最大风险的婴儿迈出的重要一步。我们的下一个目标是使用从相同运动记录和人口统计学数据训练而来的简单分类器，预测AR婴儿的未来结局。在将婴儿分类为TD或AR方面，我们获得了94.4％的整体准确度，并且预测了AR婴儿的未来结局的整体准确度为89.5％。与确定当前状态相比，添加惯性数据对于产生准确的未来预测更为重要。这项工作是朝着帮助利益相关者监测AR婴儿的发育进度并确定可能面临持续发展挑战最大风险的婴儿迈出的重要一步。将婴儿分类为TD或AR的总体准确度为4％，预测AR婴儿未来结果的总体准确度为89.5％。与确定当前状态相比，添加惯性数据对于产生准确的未来预测更为重要。这项工作是朝着帮助利益相关者监测AR婴儿的发育进度并确定可能面临持续发展挑战最大风险的婴儿迈出的重要一步。将婴儿分类为TD或AR的总体准确度为4％，预测AR婴儿未来结果的总体准确度为89.5％。与确定当前状态相比，添加惯性数据对于产生准确的未来预测更为重要。这项工作是朝着帮助利益相关者监测AR婴儿的发育进度并确定可能面临持续发展挑战最大风险的婴儿迈出的重要一步。