扫描面部:一种深度学习方法,用于研究prosopagnosia中的眼动

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
• 眼科医生 眼科 眼科

背景情况:

• 健康的个体在面部扫描时表现出固定偏差,专注于信息面部区域.
• 患有面部失明 (prosopagnosia) 的人可能会表现出不典型的面部扫描模式.

研究的目的:

• 为了调查人工智能 (AI) 是否能够检测出与prosopagnosia相关的特征性面部扫描标记.
• 根据眼睛运动模式,区分获得的和发育中的眼神.

主要方法:

• 利用深度学习和图像分类来分析面部识别任务期间的眼睛固定数据.
• 在可视化扫描路径上训练有素的卷积神经网络,以区分prosopagnosia亚型和对照.
• 确定了用于准确分类的最佳固定数.

主要成果:

• 从对照组中准确地分类获得的前性视觉,仅使用四种固定 (80%的AUC),倾向于固定下面和右眼.
• 发育性前列神经需要16个固定来进行分类 (69%的AUC) 并显示了外围固定偏差.
• 人工智能模型很难将发育性prosopagnosia与对照类别区分开来,将它们归类为与正常扫描路径相似的.

结论:

• 深度学习有效地通过最小的固定来识别获得的prosopagnosia中不同的行为标记.
• 发育性prosopagnosia扫描路径的特点是退化的模式,而不是独特的偏见.
• 人工智能显示出识别复杂视觉处理障碍标记物的潜力.