相关实验视频
Updated: Jun 4, 2025
09:03
Eye Tracking Young Children with Autism
Published on: March 27, 2012
45.5K
通过使用眼睛追踪传感器和在深度神经网络中蒸的数据归因来提高通过目光分析来检测自闭症
Federica Colonnese1, Francesco Di Luzio1, Antonello Rosato1
1Department of Information Engineering, Electronics and Telecommunications (DIET), University of Rome "La Sapienza", Via Eudossiana 18, 00184 Rome, Italy.
Sensors (Basel, Switzerland)
|December 17, 2024
概括
一个新的基于视线的自闭症分类器 (GBAC) 使用眼睛跟踪数据和人工智能准确识别自闭症谱系障碍 (ASD). 这种可解释的AI模型提高了诊断效率和对ASD视觉注意力模式的理解.
科学领域:
- 神经发育障碍 神经发育障碍
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 自闭症谱系障碍 (ASD) 是一种神经发育状况,具有特征性的社会沟通差异和重复性行为.
- 不典型的视觉注意力模式经常在ASD患者中观察到.
- 当前的诊断方法可以从提高准确性和可解释性中受益.
研究的目的:
- 提出基于凝视的自闭症分类器 (GBAC),这是一个深度神经网络模型,用于改进ASD分类.
- 通过使用数据蒸和归因技术,提高ASD分类的准确性和模型可解释性.
- 为了研究凝视模式和ASD特异性特征之间的相关性.
主要方法:
- 利用眼睛跟踪传感器数据来捕捉眼神行为.
- 开发了一个深度神经网络模型 (GBAC),其中包含了数据蒸.
- 应用TracIn,一种数据归属技术,计算自我影响得分和过训练数据.
- 评估模型性能与完整数据集培训和基准模型对比.
主要成果:
- 达到94.35%的测试准确度,用于ASD分类.
- 通过使用仅77%的数据集,证明了提高准确性和计算效率.
- 在整个数据集和随机抽样减少中训练的模型中,GBAC的表现优于模型.
- 数据归因分析提供了对有影响力的培训示例和ASD相关的目光模式的见解.
结论:
- 提出的GBAC模型有效地提高了ASD分类的准确性和可解释性.
- 将可解释的人工智能与眼睛跟踪数据相结合,为神经发育障碍诊断提供了一个有前途的方法.
- 这项研究强调了GBAC的潜力,通过透露对ASD视觉注意力的洞察力来推进临床研究.
