在自闭症儿童中比较三个自动面部表情分析算法:不同的灵敏度但一致的比例

科学领域:

• 发展心理学是发展心理学.
• 在行为科学中的计算机视觉.
• 自闭症谱系障碍研究研究

背景情况:

• 难以进行非语言沟通,特别是面部表情,是自闭症谱系障碍 (ASD) 的标志.
• 在社交互动过程中对面部表情的客观量化具有挑战性,但对于理解ASD至关重要.
• 面部分析计算机视觉算法为客观测量提供了一个潜在的方法.

研究的目的:

• 评估面部分析算法的实用性,以量化幼儿在社交互动期间的面部表情.
• 为了比较口头儿童与ASD和神经类型对照之间的面部表情的数量.
• 评估面部表情数量与自闭症症状严重程度之间的关系.

主要方法:

• 在自闭症诊断观察表第二版 (ADOS-2) 评估期间,分析了来自100名口语儿童 (年龄为2-7岁,72名ASD,28名对照) 的500多万个视频.
• 利用三个不同的面部分析算法 (iMotions,FaceReader,Py-Feat) 来检测六种基本面部表情.
• 采用强大的非参数统计测试来比较算法性能和群体差异.

主要成果:

• 在三个面部分析算法的性能中观察到显著的变化.
• 在所有算法中,在ASD儿童和对照儿童之间的任何面部表情数量中没有发现显著差异.
• 面部表情的数量与自闭症症状严重程度无关 (ADOS-2 CSS分数).

结论:

• 自动化面部分析算法显示,幼儿面部表情的输出可变性相当大.
• 面部表情的数量并不能区分有自闭症的口头儿童和对照儿童.
• 在ASD中不典型的面部表情可能与质量,时机和社会背景有关,而不是仅仅是数量.