技术领域
[0001] 本
发明属于
心理学和
机器学习领域，特别涉及一种基于共同注意力范式的孤独症辅助诊断装置。
背景技术
[0002] 大多数关于孤独症谱系障碍(Autism Spectrum Disorder,ASD)的研究表明，共同注意能力的
缺陷已经成为了判断儿童是否患有ASD的一个重要标准。基于人工的共同注意能力评估在实际应用的缺点是需要一个临床经验丰富的专业人员操作实验，并根据临床经验判断，这种耗时耗力、非量化、非标准化的方式限制了判断的准确性。
[0003] 共同注意，研究了两个人共同对某一物体或事件(目标)加以注意，以分享对该物体或事件(目标)的兴趣或行为。为了量化共同注意力的表现，通常需要考虑眼动数据分析，进一步地提取和识别出能反映ASD和典型发育(Typical Development,TD)儿童共同注意能力差别的性能指标，从而辅助ASD的评估预测。而指标也分为静态指标和动态指标，如何提取这些指标是一个有挑战性的问题。统计学的差异显著性检验只能说明2个群体在某个性能指标下的均值具有显著差异，并不意味着以这个性能指标划分这2个群体可以获得高的分类
精度。
[0004] 因此，如何能够根据有效的性能指标实现更为准确的区分ASD和TD，成为一个极具研究意义和实用价值的问题。
发明内容
[0005] 本发明的目的在于克服
现有技术的缺点与不足，提供一种基于共同注意力范式的孤独症辅助诊断装置，该装置能够标准化眼动数据的采集过程，提取关键性能指标作为分类模型的特征，最终能够实现准确的诊断结果。
[0006] 本发明的目的通过以下的技术方案实现：基于共同注意力范式的孤独症辅助诊断装置，包括：
[0007] 播放模
块，用于播放提前录制好的视频，视频中包括若干个目标区域，实验过程中刺激诱导被试人员的共同注意行为；
[0008]
数据采集模块，与播放模块相连，用于采集被试人员的眼动信息，被试人员包括患有ASD个体和TD个体；
[0009] 指标提取模块，用于提取若干个待筛选的静态指标和动态指标；
[0010] 指标识别模块，用于针对提取的指标，采用聚类
算法分别对单个指标以及指标之间组合的数据集进行聚类，并根据数据集中已知的ASD和TD标签，对聚类后的数据进行检验以识别哪些指标或指标的组合为关键性能指标；
[0011] 预测模块，用于将指标识别模块中识别出来的关键性能指标作为预测分类模型的特征，结合数据集中已知的ASD和TD标签，训练分类器，对测试者是否为ASD患者进行评估预测。
[0012] 本发明通过指标识别模块可对提取的指标及其组合进行聚类计算，分析出最能够有效区分ASD和TD的指标组合，得到关键性能指标，在上述关键性能指标的
基础上训练得到的分类器，能够实现更准确的诊断。
[0013] 优选的，所述播放模块播放的视频中，包括三个固定的物体以及一名可活动的实验员，实验过程中实验员把头依次地转向固定的物体，并随后用
手指向该物体，目标区域包括实验员头部以及三个物体。被试人员根据实验员转头方向去注意相应的物体，做出共同注意行为。
[0014] 优选的，所述数据采集模块包括眼动仪，眼动仪与播放模块相连，同步采集被试人员的眼动信息，所述眼动信息包括时间信息以及某个时间点的眼睛注视坐标信息。
[0015] 优选的，所述孤独症辅助诊断装置包括数据清洗模块，该数据清洗模块用于对眼动信息进行筛选，处理缺失值以及异常值。以提高后续训练精度。
[0016] 更进一步的，所述数据清洗模块中，对眼动信息进行筛选是指只筛选与共同注意有关的实验
片段的数据，把实验中间的休息片段的数据删掉；用均值填充方法处理缺失值和异常值。
[0017] 作为一种优选，所述指标提取模块中，静态指标选取目标区域中的注视时间占比、第一次注视到视频中实验员头部的延迟时间和注视到三个固定物体的延迟时间，动态指标选取最长公共子序列相似度。
[0018] 更进一步的，所述指标提取模块中，提取在目标区域中的注视时间占比fixation_time，方法是：
[0019]
[0020] 其中TAOI表示在目标区域的累积注视时间，Ttotal表示总的实验时间。
[0021] 更进一步的，所述指标提取模块中，提取第一次注视到视频中实验员头部的延迟时间the_first_fixation，方法是：
[0022] the_first_fixation＝Thead-Tstart
[0023] 其中Thead表示第一次注视到实验员头部的时间，Tstart表示实验开始的时间。
[0024] 更进一步的，所述指标提取模块中，提取注视到三个固定物体的延迟时间分别为the_latency_for_O1，the_latency_for_O2，the_latency_for_O3，方法是：
[0025] the_latency_for_Oi＝TOi-Ti
[0026] 其中TOi表示被试注视到第i个物体的时间，Ti表示实验员把头转向并注视第i个物体的时间。
[0027] 更进一步的，所述指标提取模块中，根据动态规划LCS(Longest Common Subsequence)算法提取最长公共子序列相似度，方法是：
[0028] 设定X＝(x1,x2,......xn)，Y＝(y1,y2,......yn)，其中X表示被试个体在实验过程中眼睛移动轨迹序列，xi表示某个时间点眼睛注视的真实区域，Y表示根据X序列的长度生成的逻辑序列，yi表示某个时间点眼睛应该注视的逻辑区域，根据LCS算法可得出X和Y的最长公共子序列为LCS(X,Y)；最长公共子序列相似度的计算公式如下：
[0029]
[0030] 其中len(LCS(X,Y))表示最长公共子序列LCS(X,Y)的长度，len(X)表示X序列的长度，也就是n。
[0031] 更进一步的，所述指标识别模块中，在获取第一次注视到视频中实验员头部的延迟时间这一指标信息后，先对其进行小数定标规范化，方法是：
[0032]
[0033] 其中，k是使得Max(the_first_fixation*)＜1的最小整数。
[0034] 更进一步的，所述指标识别模块中，在获取注视到三个固定物体的延迟时间这一指标信息后，先对其进行小数定标规范化，方法是：
[0035]
[0036] 其中，k是使得Max(the_latency_for_Oi*)＜1的最小整数。
[0037] 优选的，所述指标识别模块中，利用K-means
聚类算法分别对单个指标以及指标之间组合的数据集进行聚类，对聚类后的数据进行差异显著性卡方检验，以识别哪些指标或指标的组合为关键性能指标。
[0038] 优选的，所述预测模块中，分类器使用logistic二分类模型，输入为测试者的特征指标数据，输出结果为患ASD的
风险概率值。
[0039] 本发明与现有技术相比，具有如下优点和有益效果：
[0040] 本发明使用视频输入与眼动仪标准化地采集眼动数据，对眼动数据进行处理，提取静态与动态量化指标，并进一步地利用K-means聚类算法与卡方检验识别关键性能指标作为分类模型的特征，最终生成预测结果以辅助ASD的评估诊断。
附图说明
[0041] 图1是本发明装置的结构示意图；
具体实施方式
[0043] 下面结合
实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
[0044] 实施例
[0045] 如图1所示，本实施例基于共同注意力范式的孤独症辅助诊断装置，包括播放模块、数据采集模块、数据清洗模块、指标提取模块、指标识别模块和预测模块，上述几个模块依次连接，在通过训练得到分类器后，分类器存储在预测模块中，实际应用中，输入测试者的特征指标数据，即可得到患ASD的风险概率值。
[0046] 本实施例中，播放模块包括视频播放设备，该设备通过
接口加载外部输入的录制好的视频，在需要进行实验或者测试时，对外进行播放，以便刺激诱导被试人员的共同注意行为。这里所述的视频包括三个固定的物体以及一名实验员，三个固定的物体分别设置在一个桌子的左边、中间和右边，实验员坐在桌子后面。在视频开始后，实验员会说“你好”，然后把头依次地转向桌子上的物体，并随后用手指向该物体。被试人员根据实验员转头方向以及手指指向去注意上述物体。
[0047] 本实施例中，数据采集模块用于采集被试人员的眼动信息，本实施例采用型号为Tobii X3-120的眼动仪来实现。所述眼动仪与视频播放设备相连，在使用之前先校准测试者与播放模块之间的坐标
位置。在测试过程中，被试人员观看视频时，眼动仪记录测试者的眼动轨迹信息，信息包括时间信息以及某个时间点的眼睛注视坐标信息等。被试人员包括患有ASD个体和典型发育(TD)个体，每个个体都有标签。在本实施例中，对30人进行实验，其中14人为ASD儿童，16人为典型发育儿童。
[0048] 本实施例中，数据清洗模块用于对眼动数据进行筛选，处理缺失值以及异常值。具体地，对眼动数据进行筛选是指只筛选与共同注意有关的实验片段的数据，把实验中间的休息片段的数据删掉，从而去掉无用的数据，减少计算量。所述缺失值是指某个注视点的坐标信息缺失，因为眼动仪每隔8ms记录一次眼动信息，可认为眼动轨迹是连续的，可根据该缺失值的前后坐标信息的均值填充。所述异常值是指某个注视点的坐标落在了屏幕外，或者明显为噪声点等，可直接删除或采用均值填充方法处理异常值。
[0049] 本实施例中所述指标提取模块，在清洗后的数据中，选取在目标区域(AOI)中的注视时间占比和第一次注视到视频中实验员头部的延迟时间的静态指标，以及最长公共子序列相似度的动态指标作为后续指标识别的对象。当然，这3个指标仅为一个示例，在实际应用中，可以提取其他静态指标以及动态指标。提取的指标可以进行各种组合，包括2维、3维甚至更高维度的组合，提取的指标数量越多，在后面
聚类分析中可获取的关键性能指标或其组合也更为准确。
[0050] 上述技术方案中，所述在目标区域中的注视时间占比，根据以下公式计算：
[0051]
[0052] 其中TAOI表示在目标区域的累积注视时间，Ttotal表示总的实验时间。
[0053] 上述技术方案中，所述第一次注视到视频中实验员头部的延迟时间，根据以下公式计算：
[0054] the_first_fixation＝Thead-Tstart
[0055] 其中Thead表示第一次注视到实验员头部的时间，Tstart表示实验开始的时间。
[0056] 上述技术方案中，基于视频，本发明可以提取动态指标。所述最长公共子序列相似度，根据动态规划LCS算法计算：
[0057] X＝(x1,x2,......xn)，Y＝(y1,y2,......yn)
[0058] 其中X表示被试个体在实验过程中的眼睛移动轨迹序列，xi表示某个时间点眼睛注视的真实区域，Y表示根据X序列的长度生成的逻辑序列，yi表示某个时间点眼睛应该注视的逻辑区域，则根据LCS算法可得出X和Y的最长公共子序列为LCS(X,Y)。为了消除不同被试个体对应的不同X序列长度的影响，从而求最长公共子序列相似度，根据以下公式计算：
[0059]
[0060] 其中len(LCS(X,Y))表示最长公共子序列LCS(X,Y)的长度，len(X)表示X序列的长度，也就是n。
[0061] 本实施例中，指标识别模块，在提取的指标中，进行小数定标规范化，利用K-means聚类算法分别对单个指标以及指标之间组合的数据集进行聚类，并根据数据集中已知的ASD和TD标签，对聚类后的数据进行差异显著性卡方检验，以识别哪些指标或指标的组合为关键性能指标。
[0062] 上述技术方案中，所述指标的小数定标规范化，由于fixation time和LCS similarity是百分比形式，因此只需对the first fixation进行规范化，根据以下公式计算：
[0063]
[0064] 其中，k是使得Max(the_first_fixation*)＜1的最小整数。
[0065] 具体地，分别对单个指标以及指标之间组合的数据集进行聚类，设K＝2，即将数据集聚成两类，聚类后根据ASD和TD标签，一组可认为是疑似ASD类，另一组可认为是疑似TD类，然后根据独立四格表资料进行卡方检验，若P<0.05，则表示某个体是否患有ASD与该个体属于根据该指标聚类后分组的哪种类别有显著差异，进一步地认为该指标是关键性能指标，可以以较高的分类精度区分患有ASD和TD的个体。P值即概率，在检验中表示检验差异是由抽样误差所致的可能性。统计学根据显著性检验方法所得到的P值，一般以P<0.05为有统计学差异。
[0066] 本次实施例中，以LCS similarity指标聚类后的独立四格表如下表1：
[0067] 表1以LCS similarity指标聚类后的独立四格表
[0068] 疑似ASD类 疑似TD类ASD 10 4
TD 2 14
[0069] 如上表，患有ASD的个体与该个体属于疑似ASD类还是疑似TD类有显著差异，患有ASD的个体更有可能属于疑似ASD类，而TD个体更有可能属于疑似TD类。最终得出fixation time、LCS similarity、fixation time&the first fixation、LCS similarity&the first fixation为关键性能指标或指标组合，其中LCS similarity分类精度最高，ASD分类精度为71.43％，TD分类精度为87.5％。
[0070] 本实施例中，在指标识别模块识别出关键性能指标后，将关键性能指标的特征数据作为输入，结合数据集中已知的ASD和TD标签，训练分类器，对测试者是否为ASD患者进行评估预测。分类器可使用logistic二分类模型，将测试者的数据特征输入预测模块，评估结果显示为患ASD的风险概率值。
[0071] 本发明通过提取和识别出能反映ASD和TD儿童共同注意能力差别的性能指标，对这些指标进行聚类分析和判断确定更能有效区分ASD和TD的关键性能指标，并以此关键性能指标的信息来建立分类器，能够实现更准确的识别结果。
[0072] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉
本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的
修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以
权利要求的保护范围为准。
