据外国媒体Venturebeat报导，研究工作人员开发设计了人工智能技术（AI）技术性来预测婴儿的发育阻碍。有出世病发症的少年儿童在之后的日常生活更有可能出現认知能力和人体上的阻碍。比如，据《英国医学杂志》（BMJ）发布的2017年研究汇报显示信息，早产儿婴儿出現较高的发育延迟时间率。研究工作人员早已证实，胳膊和腿的运动——自发性的运动——能够协助区别典型性发育和非典型发育，但還是有一个难题：他们难以在婴儿期初期发觉。
来源于佛罗里达大学（USC）和马德里戈米斯三世高校的一个精英团队下手了一种利用智能穿戴设备和深度学习优化算法的解决方法。她们的方式在发布于Arxiv.org上的一篇毕业论文（“利用可配戴感应器的日常运动数据信息预测婴儿的运动发育情况”）中有叙述，它对身体运动方式开展了归类，便于预测婴儿日后是不是有可能出現神经系统缺点。
研究者们写到：“研究早已证实，在典型性发育的婴儿和处在风险的婴儿（包含存有智残、脊神经脊膜突显症和唐氏综合征的婴儿及其早产儿婴儿）中间，各类运动学指标值数据信息是不一样的，例如踢脚线頻率及其骨节间和身体间的灵活性。”
该研究精英团队从佛罗里达大学的婴儿神经系统运动操纵试验室出示的数据信息集中化获取数据信息，在其中包括了从捆缚在婴儿脚裸上的加速度传感器、手机陀螺仪和磁力仪搜集的运动数据信息。一种优化算法从初始感应器数据信息检验上下腿的运动，并明确这种运动的延迟时间、平均加速度、最高值瞬时速度和别的的特点。
研究工作人员手动式加上了一些特点，例如年纪、发育水平得分和发育标识（即典型性的或是非典型的），随后应用很多的二进制随机森林算法搭建了一个预测实体模型，最后明确了三个最出色的组成来降到最低一切一个实体模型的误差。
所造成的优化算法会开展计算，其预测十分贴近基准线。它根据这些运动数据信息来预测前六个月的发育延迟时间难题，准确度做到83.9%；预测6到12个月的难题的准确度也达到77%。
“总体来说，这种結果进一步确认了随机森林算法中应用的运动学特点与婴儿发育中间的关联。”研究工作人员写到，“最后的总体目标是，应用这类方式来预测高风险婴儿未来是不是会被确诊为发育缓慢。”
在未来的研究中，该精英团队期待征募大量的婴儿，建立一种优化算法来根据历史时间感应器数据信息预测婴儿的运动状况。
“现阶段，发育缓慢一般直至婴儿2岁时才被确诊出去，这让很多婴儿没法在初期接纳有目的性的干涉。”她们写到，“大家准备开发设计的预测优化算法将确认，发育缓慢体现在婴儿最开始好多个月的运动之中，从而让大量的婴儿可以更久地接纳定项的干涉。”
