开发一种基于眼动追踪的读写障碍指示器

读写障碍影响全球人口约 10%~20%，显著损害学习能力，凸显对创新且可及诊断方法的需求。本文探讨了将眼动追踪技术与机器学习算法结合作为早期读写障碍诊断的成本有效替代方案。通过分析一般性眼动模式，包括延长的注视持续时间和不规则的扫视运动，我们提出了确定基于眼动的读写障碍特征的增强方案。随后采用随机森林分类器进行读写障碍检测，准确率达到 88.58%。此外，还应用层次聚类方法识别读写障碍的不同严重程度。该分析涉及多种方法论，适用于不同人群和情境，展示了该技术可通过非侵入性方式识别读写障碍个体，包括边缘特征者。将眼动追踪与机器学习相结合，代表了诊断过程的重大进步，为临床研究提供了一种高度准确且可及的方法。