基于面孔加工异常的孤独症儿童识别

发布时间：2021-04-07 21:39

　　眼动追踪技术在孤独症谱系障碍的早期诊断中具有潜在的应用价值.为研究孤独症儿童对不同面孔加工的特点,应用机器学习算法对其进行自动识别,本研究选取3～6岁孤独症儿童40名和性别、年龄相匹配的正常儿童41名观看异国陌生面孔、本国陌生面孔和本国熟悉面孔,根据两组儿童眼动坐标数据,使用机器学习算法进行自动划分兴趣区、特征选择和分类,来判断不同面孔的扫描模式是否可以用于识别孤独症儿童,并从准确率、特异性、敏感性和可靠性4个方面对分类模型进行评估.结果显示,基于不同面孔扫描模式的机器学习算法可以提取足够的信息来区分孤独症和正常儿童,最大分类准确率为90.28%,对应AUC（area under the ROC curve）为0.9317.因此,眼动追踪技术结合机器学习能够为临床诊断提供辅助的评价指标. 

【文章来源】：科学通报. 2020,65(20)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

研究流程框图

(网络版彩色)K=64异国面孔的图像分割

根据每个参与者所观察每幅图片的注视坐标顺序将每个坐标分配给K-means得到的最近端的聚类质心计算每个簇的分配数量,并通过除以总坐标数来对分配计数进行归一化.因此,我们得到了每个参与者注视不同面孔的64个兴趣区的视觉注意的频率分布,即每个参与者对于每类面孔图片都具有64个特征.我们使用mRMR算法对64个特征进行选择,选择出使SVM分类精度最大的m个特征.结果显示,注视异国面孔的64个特征(mRMR选择排序后的特征)中前12个特征在组间具有最高的识别能力,分类精度达到最大78.89%,特异性为74.00%,敏感性为81.67%.并且AUC=0.8065,如图3(a).陌生面孔中前21个特征能使分类精度达到最大73.89%,特异性为76.38%,敏感性为70.88%AUC=0.8217,如图3(b).熟悉面孔中前31个特征能使分类精度达到最大79.44%,特异性为79.71%,敏感性为82.67%,AUC=0.8387,如图3(c).我们将三类面孔所对应特征放在一起共192个特征,再进行特征选择和SVM分类,结果显示选择前27个特征分类精度达到最大90.28%,特异性为86.83%,敏感性为91.33%AUC=0.9317,如图3(d).置换检验结果显示异国面孔、陌生面孔、熟悉面孔和三类面孔混合模型的P值均小于0.05,通过了置换检验,说明4种模型的分类结果均大于随机水平.具体不同面孔最大分类精度、AUC和置换检验的P值如表1所示.为了探讨ASD儿童对不同面孔的非典型面孔扫描模式,分别对异国面孔和陌生面孔的64个特征进行独立样本t检验,选择出具有显著性差异的区域,并将其标注出来.对异国面孔特征进行独立样本t检验结果:兴趣区域1 t(75)=-3.084,P=0.003,兴趣区域2 t(75)=-3.358,P=0.001,兴趣区域3 t(75)=-2.140,P=0.036,兴趣区域4 t(75)=-2.477,P=0.015,兴趣区域5 t(75)=-2.392,P=0.019.结果显示相比TD儿童,ASD儿童在注视异国面孔时更少注视左眼的眼睑周围、右眼的左半部分和眼睑周围部分(读者的角度),如图4(a).对陌生面孔特征进行独立样本t检验结果:兴趣区域1 t(75)=2.843,P=0.006,兴趣区域2 t(75)=2.106,P=0.041,兴趣区域3 t(75)=2.146,P=0.036,兴趣区域4 t(75)=2.200P=0.031,兴趣区域5 t(75)=2.792,P=0.007,兴趣区域6 t(75)=2.038,P=0.045.注视本国陌生面孔ASD儿童更多的注视右眼下方部分、背景的右半部分和身体下方中间部分(读者的角度),如图4(b).


本文编号：3124234