摘要
孤独症谱系障碍(AutismSpectrumDisorder,ASD)是一种起病于发育早期的神经发展紊乱疾病。ASD的早期诊断在ASD的干预中起着至关重要的作用，尤其是对于ASD儿童。通常ASD儿童需要由经验丰富的医生结合各种检查评估进行诊断，但这种方式费时又费力且易受主观因素的影响。因此在本文中，我们探索了两种基于外在特征的孤独症辅助诊断方法。 在第一阶段我们围绕采集孤独症儿童视频数据库（Ext-Dataset,包括136个ASD儿童和136个TD儿童）提出一种基于面部表情的ASD儿童分类算法。该方法通过融合面部表情，头部姿势角度和头部轨迹长度等特征来实现ASD诊断的目的。为了提取面部表情特征，我们提出了一种基于深度学习网络的新型面部表情识别算法，该算法在FER2013和CK+上的识别准确率分别为68％和99.2％。此外，我们使用累积直方图提取面部表情、头部姿势角度和头部轨迹长度特征的空间和时间域信息，，并将传送给LSTM进行分类。最后我们在Ext-Dataset数据库上达到了96.7％的准确率。 在第二阶段我们围绕在第一阶段采集的数据库基础上补充了135个TD幼儿园儿童组成的孤独症儿童数据库（ACVD）展开的，首先通过一个基于卷积神经网络的视线估计算法提取受试者的注视视线，然后将注视视线映射到屏幕上并用累积直方图进一步提取特征。最后通过融合头部姿态角度特征并送进LSTM中进行分类，最终在ACVD数据库达到了94.8%的准确率。此外我们通过利用不同的视线估计算法或者添加不同的噪声去分析误差对诊断效果的影响。
NETL