融合Involution的卷积网络用于自闭症谱系障碍儿童眼动模式分类

自闭症谱系障碍(ASD)是一种复杂的神经系统疾病，诊断具有挑战性。大量研究表明，被诊断患有自闭症的儿童难以维持注意力广度，且视觉聚焦能力较弱。由于注视异常长期以来被认为是自闭症的一个典型特征，眼动追踪技术在ASD背景下引起了特别关注。结合眼动追踪传感器的深度学习方法正在利用额外能力来推进诊断及其应用。通过学习复杂的非线性输入-输出关系，深度学习能够准确识别各种注视和眼动模式，并适应数据。仅靠卷积不足以捕捉注视模式或眼动追踪中的重要空间信息。基于动态核的过程（称为involution）可以提高注视模式或眼动追踪数据分类的效率。本文利用两种不同的图像处理操作来观察这些过程如何学习眼动模式。由于这些模式主要基于空间信息，我们将involution与卷积结合形成混合模型，为深度学习模型增加了位置特定能力。我们提出的模型以简单有效的方式实现，使其更易于实际应用。我们探讨了我们的方法为何能很好地适用于眼动模式分类。为了进行比较分析，我们在两个独立数据集以及两者的组合版本上进行了实验。结果表明，具有三个involution层的IC模型优于先前的方法。