《AI》:Automated Anatomical Feature Analysis and Scoring for Draw-a-Person Test Drawings via ResNet-Based Multi-Label Detection and Classification
Asma Abdullah Alwadai and
Emad Sami Jaha
编辑推荐:
本研究针对Goodenough–Harris Draw-a-Person (DAP)测试传统手工评分耗时费力、主观性强的问题,开发了一种结合深度卷积神经网络(CNN)与启发式规则的混合模型。该模型可自动检测和分析儿童人物画中的16个高层解剖学与结构特征,在独立测试集上实现了91.78%的宏平均准确率。这项工作为儿童认知与心理发育评估提供了一种高效、客观、可复现的自动化工具,显著提升了评分的标准化水平。
传统上,评估儿童的认知与情感发展常常依赖于一系列心理测试,其中Goodenough–Harris Draw-a-Person (DAP)测试是应用最广泛的投射测验之一。测试要求儿童在一张白纸上画一个人物,评估者则通过分析画中人物身体部位的存在、比例、连接与细节,来推断儿童的智力、心理及社会发展水平。然而,这种评估方式高度依赖评估者的专业经验和主观判断,不仅过程耗时费力,而且不同评估者之间可能存在评分不一致的问题,影响了评估结果的可靠性和标准化。随着计算机视觉与人工智能技术的飞速发展,如何利用自动化方法对儿童绘画进行分析,以辅助或替代传统人工评分,成为了心理学与计算机科学交叉领域一个极具前景的研究方向。
为了应对上述挑战,沙特阿拉伯国王大学的研究人员Asma Abdullah Alwadai和Emad Sami Jaha开展了一项研究,旨在开发一个混合模型,以实现对DAP测试结果的自动化分析与评分。该研究提出的模型巧妙地将深度学习与基于规则的启发式推理相结合,不仅能够识别画作中的视觉解剖特征,还能分析其几何与空间关系。研究团队利用包含948张标注图像的儿童人物画数据集,对模型进行了全面评估。结果表明,该模型在16个目标特征的识别上达到了专家级的准确率,为快速、客观、一致的儿童发展评估提供了强大的技术支持。这项研究成果已发表在学术期刊《AI》上。
在技术方法层面,研究者构建了一个两阶段的混合框架。首先,他们采用在ImageNet上预训练的ResNet-50模型作为骨干网络,并将其顶部分类层替换为一个10路输出头,用于检测头部、躯干、四肢、面部特征等10个主要解剖部位的存在与否。其次,他们设计了6条基于几何和空间关系的启发式规则,用于从图像标注框(bounding box)中推导出躯干长宽比、肩部指示、双侧肢体存在、肢体-躯干连接、插入区域正确性、颈部轮廓连续性这6个结构性特征。在训练阶段,模型的卷积层被冻结以保留预训练特征,仅训练顶部分类层。图像数据经过了随机水平翻转、亮度对比度调整等预处理。整个框架在训练阶段结合CNN预测与启发式特征提取,在推理阶段则综合两者结果,最终输出一个16维的二进制特征向量,代表所有特征的检出状态。
研究结果
1. 模型架构与特征设计
研究提出了一个清晰的混合CNN-启发式框架,其整体流程如图1所示。该框架明确区分了训练和推理两个阶段,并整合了基于ResNet-50的视觉特征提取器和基于规则的几何特征推导模块。研究共定义了16个用于评分的高层特征,其中10个为视觉解剖特征,6个为启发式结构特征,详见表2。这16个特征共同构成了对儿童人物画结构化、可解释的表示。
2. 数据集与预处理
研究采用了包含948幅手绘图像的公开DAP数据集,这些图像已由专业人士根据绘画者的心理年龄(4至11岁)分为8组,样本如图2所示。研究者使用标注工具对10个主要身体部位进行了边界框标注,并基于标注推导出6个启发式特征,其特征示例如图3所示。数据集按70:15:15的比例划分为训练集、验证集和测试集,并进行了包括随机水平翻转和亮度/对比度调整在内的数据增强。
3. 模型性能评估
模型通过五折交叉验证和留出测试集两种方式进行评估。五折交叉验证结果显示,模型对所有主要解剖特征的平均F1分数均高于0.90,性能稳定。在独立的留出测试集上,模型对所有16个特征的宏平均准确率达到91.78%,表明其具有良好的泛化能力。具体而言,模型在头部、躯干、肢体相关关系等结构显著的解剖特征以及所有启发式特征上取得了近乎完美的分数。然而,对于耳朵(平均F1分数≈0.09–0.12)和颈部(平均F1分数≈0.75)等视觉区分度较低的特征,模型表现较差。
结论与讨论
本研究成功开发并验证了一个用于Goodenough–Harris人物画测试自动化分析与评分的混合模型。该模型的核心贡献在于将基于ResNet-50的深度学习视觉特征检测与基于明确规则的几何空间关系推理相结合,从而实现了对儿童人物画中16个关键解剖与结构特征的自动化、客观化识别。评估结果表明,该模型能够以高准确率近似专家级的评分水平,同时大幅减少了人工评估所需的时间和精力,提高了评分过程的一致性和可复现性。
然而,研究也指出了该方法的几点局限性。首先,模型对细微解剖特征(如耳朵)的鲁棒性不足。其次,特征提取依赖于经验性的启发式阈值。最后,模型对所有16个特征赋予了同等权重,这可能与实际的DAP评分体系不完全吻合。这些局限性为未来的研究指明了方向,例如探索更精细的特征检测网络、开发自适应阈值算法,以及引入与心理学评分标准相匹配的加权机制。
尽管如此,这项研究标志着在利用人工智能辅助心理评估领域迈出了重要一步。所提出的混合框架不仅为DAP测试提供了一种高效的自动化解决方案,其结合视觉学习与符号推理的思路也为更广泛的草图理解、发育障碍筛查等跨学科应用提供了有益的参考。