基于机器学习和瞳孔响应的简易高性能自闭症分类模型

作者：刘强墨; 何旭; 周佰顺; 吴昊霖; 张弛; 秦羽; 沈晓梅; 高小榕^*

来源：清华大学学报, 2022, 62(10): 1730-1738.

DOI：10.16511/j.cnki.qhdxxb.2021.26.030

• 自闭症
• 机器学习
• 瞳孔响应
• 分类模型

自闭症(autism spectrum disorder,ASD)的早期诊断对自闭症的康复至关重要。近年来，利用机器学习和眼动追踪技术对儿童进行早期自闭症诊断已成为自闭症领域的研究热点。该文在前人工作的基础上，提出了一种基于相对瞳孔响应的眼动数据预处理和瞳孔响应特征提取方法，并使用朴素Bayes算法构建了自闭症分类模型。在现有3～6岁的25名ASD儿童和50名典型发育(typical development,TD)儿童的眼动数据集Autism Detection Dataset上进行了验证，发现了自闭症儿童异常的瞳孔响应。实验结果表明：该文提出的方法在深入挖掘瞳孔特征并仅使用瞳孔特征建模的同时，实现了90.67%的平均分类准确率与92.24%的平均AUC值，优于前人同时使用瞳孔特征、注视行为特征来建模实现的82.2%的平均准确率的结果和同时使用注视行为特征、运动学特征来建模实现的78%的平均准确率的结果，兼具简易和高性能的优点。这不仅证明了该方法的有效性，还提高了基于机器学习和眼动追踪的这类自闭症早期辅助诊断系统真正应用到临床的可行性。

• 单位
  清华大学