通过多模态行为分析提高自闭症检测效果
计算机视觉与模式识别
2025-09-29 v1 机器学习
摘要
由于自闭症谱系障碍（ASC）诊断的复杂性和资源密集性，已提出了若干计算机辅助诊断支持方法，通过分析患者视频数据中的行为线索来检测自闭症。尽管这些模型在某些数据集上显示出有前景的成果，但它们在面对糟糕的注视特征表现和缺乏现实世界通用性方面仍存在挑战。为此，我们分析了包括168名ASC患者（性别46%为女性）和157名非自闭症患者（性别46%为女性）的标准化视频数据集，这一数据集据称是目前规模最大且最均衡的数据集。我们对面部表情、语音韵律、头部运动、心率变异性（HRV）和注视行为进行了多模态分析。为解决先前注视模型的局限性，我们引入了新型统计描述符，用于量化眼注视角度的变异性，将基于注视的分类准确率从64%提升至69%，并使计算结果与临床研究中关于注视回避的发现相吻合。通过后期融合，我们实现了74%的分类准确率，证明了跨多模态行为标记集成的有效性。我们的发现凸显了基于视频的可扩展筛查工具在支持自闭症评估方面的潜力。
引用
@article{arxiv.2509.21352,
title = {Improving Autism Detection with Multimodal Behavioral Analysis},
author = {William Saakyan and Matthias Norden and Lola Eversmann and Simon Kirsch and Muyu Lin and Simon Guendelman and Isabel Dziobek and Hanna Drimalla},
journal= {arXiv preprint arXiv:2509.21352},
year = {2025}
}