一个新的多模式模型,以协助诊断自闭症谱系障碍,使用眼睛跟踪数据

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 生物医学工程 生物医学工程

背景情况:

• 早期和准确的自闭症谱系障碍 (ASD) 检测对于有效的干预和更好的患者结果至关重要.
• 机器学习 (ML) 提供了提高ASD诊断准确性的潜力.
• 时间眼睛跟踪数据提供了丰富,动态的信息,可以用于改进ASD识别.

研究的目的:

• 开发和评估一个新的ML模型用于ASD检测,使用时间眼睛跟踪数据.
• 加强眼动模式的时间分析,以更有效地识别ASD.
• 将新型ML模型的性能与VGG-16.6等现有方法进行比较.

主要方法:

• 一个CNN-GRU-ANN ML模型架构被开发和训练在一个数据集的眼睛跟踪数据.
• 该模型使用了视线图,眼睛固定距离的序列和固定/摇摆持续时间.
• 使用验证数据集来评估性能并与其他模型进行比较.

主要成果:

• 与VGG-16模型相比,新型ML模型在ASD检测方面表现优越.
• 整合时间眼睛跟踪信息导致更高的准确性,精度和回忆.
• 该模型在验证数据集上获得了93.10%的精度,有效地区分了自闭症和典型发育个体.

结论:

• 这项研究提出了一种基于ML的有希望的方法来检测ASD,利用时间眼睛跟踪数据.
• 对眼睛跟踪数据的时间分析具有显著的潜力,可以提高ASD检测准确度.
• 这项研究为神经发育障碍的基于眼睛跟踪的先进诊断工具铺平了道路.