基于使用深度学习模型的眼睛跟踪技术诊断自闭症谱系障碍

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
• 发展心理学 发展心理学

背景情况:

• 患有自闭症谱系障碍 (ASD) 的儿童在社交沟通方面遇到挑战,特别是保持眼神接触.
• 眼球追踪 (ET) 技术为视觉社会注意力模式提供了精确的实时洞察力.
• 确定可靠的ASD生物标志物对于早期干预和支持至关重要.

研究的目的:

• 实施深度学习 (DL) 算法,用于分析ASD儿童的眼睛跟踪数据.
• 开发一个人工智能驱动的系统,使用社会注意力指标准确诊断ASD.

主要方法:

• 利用了来自有或没有自闭症患者的标准眼睛跟踪数据集.
• 应用卷积神经网络 (CNN) 和长短期记忆 (LSTM) 模型用于数据分析.
• 采用数据预处理,特征选择 (相互信息) 和CNN-LSTM模型来评估ASD诊断.

主要成果:

• 在CNN-LSTM模型实现诊断准确率为99.78%.
• 建议的深度学习方法与以前的研究相比,表现优越.
• 该系统成功地根据眼睛跟踪数据识别了ASD个体.

结论:

• 开发的系统有效地使用眼睛跟踪数据和深度学习来诊断ASD.
• 这种基于人工智能的方法显示出在ASD诊断中临床应用的巨大潜力.
• 该技术可以帮助医疗保健专业人员实现更准确,更有效的ASD诊断.