利用深度眼动特征检测自闭症谱系障碍
机器学习
2026-01-12 v1
摘要
自闭症谱系障碍（ASD）是一种以社交沟通缺陷和行为模式异常为特征的神经发育障碍。眼动数据为 ASD 检测提供了一种非侵入性诊断工具，因为它本质上是离散的，并表现出短时时间依赖性，反映了注视点之间的局部凝视焦点。这些特性使得数据能够为细微的行为标记提供更深入的洞察，从而将 ASD 相关模式与典型发育区分开来。眼动信号主要包含短时和局部依赖性。然而，尽管堆叠注意力层在基于 Transformer 的模型中广泛应用于捕捉长程依赖，我们的实验结果表明，当应用于眼动数据时，这种方法仅带来有限的收益。这可能是因为离散的注视点和凝视焦点中的短时依赖性降低了全局注意力机制的效用，使其效率低于专注于局部时间模式的架构。为了高效捕捉细微且复杂的眼动模式，区分 ASD 与典型发育（TD）个体，我们设计了一个离散短时序列（DSTS）建模框架，并配备了类别感知表征和不平衡感知机制。通过在多个眼动数据集上的广泛实验，DSTS 的性能优于传统机器学习技术和更复杂的深度学习模型。
引用
@article{arxiv.2601.05812,
title = {Detecting Autism Spectrum Disorder with Deep Eye Movement Features},
author = {Zhanpei Huang and Taochen chen and Fangqing Gu and Yiqun Zhang},
journal= {arXiv preprint arXiv:2601.05812},
year = {2026}
}
备注
Accepted to CIS 2025