摘要
孤独症谱系障碍（AutismSpectrumDisorder，ASD）是一种广泛性神经发育障碍，以社交交流障碍、语言发育障碍、重复刻板行为为主要特征，严重影响了儿童的正常生长发育，因此如何有效地早期筛查和识别ASD儿童受到越来越多的关注。已有研究证明，ASD儿童和健康儿童的视觉注意力有显著差异，利用眼动仪获取眼动追踪数据进行分析，可以有效地识别ASD儿童。因此，基于眼动追踪的ASD儿童识别与筛查受到了研究人员的广泛关注，是计算机辅助诊断与视觉领域的热点问题。 目前，基于眼动追踪的ASD识别存在着以下难点:首先，由于ASD儿童存在社会交流障碍、重复刻板行为、注意力发散等问题，导致ASD儿童的数据难以采集并且不同ASD儿童的个体眼动数据差异大，因此现有的二分类方法难以有效提取ASD儿童的眼动特征;其次，现有研究主要采用简单的图像自由浏览范式来收集眼动数据，但是自由浏览范式没有显式的引导，不同被试会根据自己的喜好观看图像，导致不同健康人群的眼动数据差异也会较大，会干扰模型训练，增加模型对健康组的建模难度;此外，现有公开数据集过少，并且采集的被试者年龄普遍偏大，多为成年人或学龄儿童。以上不足制约了ASD儿童早期诊断的发展。因此，针对上述问题，本文开展了一系列研究，主要工作如下: （1）针对ASD儿童眼动数据采集困难并且类内差异大的问题，与已有的二分类方法不同，本文将ASD诊断问题视作异常检测问题，提出了一个基于异常检测的ASD诊断方法。该方法在训练阶段只使用健康对照组的眼动数据，利用单类分类器计算待测试人群与健康对照组的距离来识别和筛查ASD,克服了ASD人群眼动数据差异大的难题。使用公开数据集Saliency4ASD进行实验，结果表明，在使用自由浏览图像眼动范式的情况下，本文提出的方法优于目前最先进的二分类方法。 （2）针对自由浏览图像眼动范式中，学龄前儿童数据缺乏，以及由于缺乏显式引导健康对照组儿童眼动数据类内差异大的问题，本文提出了一种新颖的眼动追踪范式，采集被试儿童在复杂自然场景中由视觉问答（VisualQuestionAnswer,VQA）驱动的眼动数据，该范式可以通过显式引导与互动有效地识别ASD儿童。此外，本文还构建了一个专注于2至6岁学龄前儿童的数据集VQA4ASD,缓解了现有学龄前儿童眼动数据的不足。在采集的数据集上利用已有的机器学习方法与深度学习方法进行了实验，实验结果表明，VQA范式的诊断性能优于目前广泛应用的自由浏览图像范式。 （3）为了进一步有效利用视觉问答任务中引入的额外信息并提升模型诊断性能，本文设计了一个新颖的双分支ASD儿童识别模型。该模型设计了融合全局和局部的双分支网络，其中一个分支用于提取全局的注视点序列特征，另一个分支用于提取VQA任务相关的注视点序列特征。在所提出的VQA4ASD数据集上进行了实验，实验结果表明ASD诊断性能得到了进一步的提升。
NETL