Differences in eye movement data extraction methods and machine learning models-Applied to the detection of children with autism

論文翻譯標題: 眼動資料提取方法之差異及機器學習模型差異分析-應用於泛自閉症兒童偵測
  • 黃 得恩

學生論文: Doctoral Thesis

摘要

在先前的研究中發現自閉症兒童有著與其他正常小孩不同的眼球追蹤模式(Sasson & Elison 2012),藉由這些眼球追蹤模式的探討,我們可以研判某些孩童可能會患有自閉症相關症狀的傾向。如果能隨著自閉症孩童的症狀進行較為早期的偵測,亦可有效的改善自閉症孩童的情況,所以本研究便想使用眼球追蹤裝置來掌握孩童的眼球運動反應模式,進而發展出能夠偵測自閉症傾向的自動判別系統。 自閉症患者對於陌生臉孔往往會避開臉部的主要部位,如:眼、口、鼻。過去自閉症相關研究為了較能夠有效的區辨出常童及自閉症之差異,大多使用本國人的陌生臉孔作為刺激材料,然而比起本國陌生臉,外國陌生臉對於孩童的陌生程度更高,用於正常及自閉症孩童的辨識上,可成為更有效的刺激材料。本研究想探討在觀看本國人臉及外國人陌生臉時,自閉症兒童與一般孩童於掃視型態上的差異,以改良現有用於自閉症辨識的刺激材料。 目前對於機器學習模型用於自閉症偵測上,各方都有提出一些預測模型的方法,但是尚未有一個基準能讓各種模型能夠做相對客觀的比較,在本研究我們比較臉孔差異,同時也比較不同的機器學習技術及結構上的差異,希望開發出能依照眼球運動狀態自動區分出自閉症和正常小孩的系統。 本研究採用了三種機器學習演算法當作基底,即K-means分類系統、支援向量機和深度神經網絡,前者主要用於區分眼球掃視的區塊,後兩者主要用於建構預測模型。首先,本研究的預測模型輸入項是由K-means的方式計算出自動化興趣區塊及人工勾勒的興趣區塊凝視總時間,再分別對於此兩種方式產生出的指標進行支援向量機與深度神經網絡的模型建構。在比較的同時,我們發現相對於人工興趣區塊,K-means的興趣區塊分類較能辨識出自閉症孩童以及正常小孩的差異,另外在支援向量機和深度神經網絡的比較當中,發現深度神經網絡具有較準確的區分效果,最後我們比較了不同刺激材料上的差異,發現本國人臉在以人工興趣區塊的方式進行模型建構時,效果較外國人臉好;在自動興趣區塊的方式上進行模型建構時,本國人臉及外國人臉都能達到相當的效果。但是在事後分析時,本研究發現將本國人臉及外國人臉的輸入項整合後進行模型建構,對於單獨辨識自閉症及辨識正常孩童上,都優於只選擇其一種刺激材料,也代表將刺激材料合併下,確實有益於自閉症辨識。因此本研究對於檢測和診斷精神障礙的狀況下如何選擇最佳機器學習模型提供了參考。 對於將來的研究,希望此篇研究能在臨床疾病診斷上作為預測模型的依據,並且能將使用機器學習的相關技術來建構評估患者嚴重程度的系統,以達到早期發現、早期治療的效果。
獎項日期2020
原文English
監督員Fu-Zen Shaw (Supervisor)

引用此

'