CN115990016B - 一种基于眼动特征的孤独特质程度检测装置 - Google Patents
一种基于眼动特征的孤独特质程度检测装置 Download PDFInfo
- Publication number
- CN115990016B CN115990016B CN202211533221.6A CN202211533221A CN115990016B CN 115990016 B CN115990016 B CN 115990016B CN 202211533221 A CN202211533221 A CN 202211533221A CN 115990016 B CN115990016 B CN 115990016B
- Authority
- CN
- China
- Prior art keywords
- eye
- autism
- interest
- eye movement
- aoi
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000004424 eye movement Effects 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 206010003805 Autism Diseases 0.000 claims abstract description 87
- 208000020706 Autistic disease Diseases 0.000 claims abstract description 87
- 230000008451 emotion Effects 0.000 claims abstract description 30
- 241000254173 Coleoptera Species 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000013145 classification model Methods 0.000 claims abstract description 8
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000010845 search algorithm Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 230000008909 emotion recognition Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 12
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000002996 emotional effect Effects 0.000 description 12
- 238000000034 method Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 5
- 238000011534 incubation Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000003997 social interaction Effects 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 230000036651 mood Effects 0.000 description 3
- 241001481710 Cerambycidae Species 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 208000029726 Neurodevelopmental disease Diseases 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 208000029560 autism spectrum disease Diseases 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011841 epidemiological investigation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于眼动特征的孤独特质程度检测装置,包括:采集用户完成情绪面孔识别任务时的眼动数据,经预处理后,提取高、低孤独特质具有明显区分度的基于眼部兴趣区的比例注视时间、定向眼部兴趣区的潜伏期、脱离眼部兴趣区的潜伏期三个眼动指标作为评定参数;基于眼部AOI的比例注视时间分别提取正面、半侧面、侧面三个角度及快乐、中性、悲伤、愤怒四种情绪下的平均值、标准差、中值作为特征;定向眼部AOI的潜伏期分别提取四种情绪与同一面孔不同角度的五次播放下的平均值、标准差、中值作为特征;脱离眼部AOI的潜伏期提取特征数量与定向眼部AOI的潜伏期一致;将上述特征进行归一化和降维后,组成特征集,并按比例划分为训练集和测试集;训练集输入至构建的天牛须算法优化的BP神经网络分类器中学习后,利用训练集对检测模型进行测试,根据结果优化参数以确定最终的分类模型,实现人群孤独特质程度的分析与评定。
Description
技术领域
本发明涉及人群中孤独特质程度筛查技术领域,尤其涉及一种基于眼动特征的孤独特质程度检测装置,通过量化的眼动指标评定人群的孤独特质程度。
背景技术
孤独症谱系障碍简称孤独症,是一类以社会交往障碍、行为重复刻板为主要临床特征的神经发育性障碍性疾病。孤独特质具有连续性质,孤独症处于症状连续谱上最严重的一端,一旦发病,预后较差且症状会伴随终身。大部分孤独症患儿无法生活自理,成年后不具备独立生活、学习、工作的能力,且可能合并有智力障碍等症状,给家庭和社会带来沉重的负担。
孤独特质指正常个体表现出与孤独症相关的行为特征和认知特点,但症状程度尚未达到临床孤独症的诊断标准。研究表明,孤独特质广泛存在于人群中,其程度在人群中呈现连续分布的特点,并具有一定的遗传性。
孤独特质水平较高的个体与孤独症患者相比,在外在行为表现和内在脑机能等方面在一定程度上存在一致性。社会交往障碍既是孤独症患者的典型症状,也是高孤独特质个体的核心表现。较高的孤独特质在临床或亚临床水平增加了不良社会功能的易感性。与孤独症患者类似,高孤独特质群体在社会交往中常表现出缺乏主动的社交行为,存在一定的交流障碍、述情障碍等,不利于其在社交互动中建立良好的人际关系。社交应对策略的不正常发展可能会导致其在学习教育与日常生活中面临各种心理、精神层面的障碍和其他社会适应问题,亟需尽早关注和干预。
通过分析个体的孤独特质程度,引导高孤独特质群体尽早关注心理健康及社会性发展,建立覆盖个人、家庭、社区的综合干预支持系统,有助于增强其社会适应能力,避免较高的孤独特质程度不利于其社交技能的习得,从而进一步影响其各方面发展。
同时,研究发现,孤独特质可能是孤独症的易感性标记。父母双方孤独特质程度较高的孩子表现为孤独特质程度显著趋近于孤独症,且孤独症患者亲属的孤独特质程度与其亲缘关系的密切程度相关。通过对正常人群中高孤独特质群体的有效筛查,有助于降低孤独症的遗传风险。
目前孤独特质程度的筛查和评估主要依赖于行为观察或基于与社交相关的内容编制的评估量表或问卷,但量表评估方法主观性较强,受限于医生的经验与相对紧缺的资源,易导致筛查不准确、不及时等问题。
因此,亟需研究一种通过可量化的生理指标分析评估人群孤独特质程度的方法,高效、精准地对高孤独特质群体进行筛查,从而有助于其通过后天的学习促进社交技能的发展,且对其重点关注与早期干预有助于探究孤独症的临床诊断与干预。
发明内容
本发明提供了一种基于眼动特征的孤独特质程度检测装置,本发明利用设计的面孔情绪识别范式,采集用户完成任务时的眼动数据,分析提取用户的眼动特征以构建特征集,输入至训练的神经网络模型中,实现对孤独特质程度的分析与分类,详见下文描述:
一种基于眼动特征的孤独特质程度检测装置,所述装置包括:
眼动数据采集及预处理模块,用于设计的面孔情绪识别范式包含快乐、中性、悲伤、愤怒四种情绪,单张面孔包含正面0°、半侧面45°、侧面90°三种角度,以0°-45°-90°-45°-0°和90°-45°-0°-45°-90°两种呈现方式播放;采集用户完成任务期间的眼动数据并进行圈定兴趣区、删除无效的眼动采样点等数据预处理;
眼动特征提取模块,提取具有明显区分度的基于眼部兴趣区的比例注视时间、定向眼部兴趣区的潜伏期、脱离眼部兴趣区的潜伏期三个眼动指标作为评定参数,对特征进行归一化与降维后,分为训练集与测试集;
基于眼部AOI的比例注视时间分别提取正面、半侧面、侧面三个角度及快乐、中性、悲伤、愤怒四种情绪下的平均值、标准差、中值作为特征;定向眼部AOI的潜伏期分别提取四种情绪与同一面孔不同角度的五次播放下的平均值、标准差、中值作为特征;脱离眼部AOI的潜伏期提取特征数量与定向眼部AOI的潜伏期一致;
训练模块,将上述特征输入至构建的天牛须算法优化的BP神经网络分类器中,利用天牛须搜索算法确定BP神经网络的最优权值和阈值,对训练集进行学习后,使用测试集对分类模型的可靠性进行测试,得到该装置的分类模型。
预测评估模块,将用户特征数据集输入至分类模型中,得到分类结果,以实现人群孤独特质程度的检测与评定。
针对现有主要依靠量表评估孤独特质程度主观性较强的缺陷和问题,本发明基于眼动技术,通过提取高、低孤独特质程度的可分性眼动特征,提出了一种通过量化眼动指标经天牛须搜索算法改进的BP神经网络分类后评估人群孤独特质程度的方法,相较于其他方法,有以下优势:
1)提出了一种分析正常人群孤独特质程度的客观性评价指标,相较于传统的量表评估方法,具有更高的准确性和稳定性;可有效应用于临床或亚临床孤独特质程度的分析,具有重要的社会效益与经济效益;
2)通过眼动技术指标利用神经网络评估人群孤独特质程度具有快速、简便的优点,极大地解放医护人员生产力,在合理利用医疗资源方面具有重要意义;
3)此方法评估孤独特质程度不受地区医疗水平影响,更具有普适性,能够输出更稳定的孤独特质分类结果。
附图说明
图1为一种基于眼动特征的孤独特质程度检测装置的软件工作示意图;
图2为两组在不同情绪下基于眼部AOI的比例注视时间的示意图;
其中,***p<0.001,**p<0.01,*p<0.05。
图3为两组在观察不同角度的情绪面孔时定向眼部AOI的潜伏期示意图;
图4为两组在观察四种情绪面孔时脱离眼部的潜伏期示意图;
图5为网络流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
典型发育的过程中,早期的情绪面孔注意缺陷可能是阻碍个体社交能力发展和维持的关键,情绪面孔注意与准确识别为良好的社交提供了重要基础。已有研究发现,孤独特质水平较高的个体与孤独症表现出相似的情绪面孔注意的非典型性。眼动追踪技术的发展为探究高孤独特质群体的情绪面孔扫描策略提供了一种精准、有效的方式。通过对眼动追踪技术记录的眼动特征进行分析,可反映个体对于情绪面孔的注意力分配情况,有助于研究高孤独特质群体情绪面孔扫描模式的非典型性,从而可利用高、低孤独特质群体识别面孔情绪时差异较大的量化眼动指标通过分类器,实现人群孤独特质程度的分析。
本发明实施例通过采集用户完成情绪面孔识别任务时的眼动数据,提取具有明显区分度的基于眼部兴趣区(AOI)的比例注视时间、定向眼部兴趣区(AOI)的潜伏期、脱离眼部兴趣区(AOI)的潜伏期三个眼动指标作为评定参数,输入至天牛须算法优化的BP神经网络分类器中,实现人群孤独特质程度的分析与评定。
基于眼动技术的孤独特质程度分析系统技术方案如图1所示,其基本步骤为:首先利用眼动技术,采集用户识别面孔情绪时的眼动数据。其次,提取已通过统计学分析、相关性分析等确定高、低孤独特质组具有显著性差异的眼动指标作为区分参数,即用户基于不同兴趣区的比例注视时间、定向眼部兴趣区的潜伏期、脱离眼部兴趣区的潜伏期,确保孤独特质程度分类的准确性和可靠性。最后通过构建特征集,经过特征归一化与降维后,输入至天牛须算法改进的BP分类网络,实现孤独特质程度的分类。下面分别对各个步骤做详细介绍。
一、眼动数据采集及预处理
本发明实施例中设计的面孔情绪识别范式包含快乐、中性、悲伤、愤怒四种情绪,单张面孔包含正面0°、半侧面45°、侧面90°三种角度,以0°-45°-90°-45°-0°和90°-45°-0°-45°-90°两种呈现方式播放。要求用户依据面孔图片呈现的情绪与卡通表情完成情绪匹配任务,采集用户完成任务期间的眼动数据。原始数据导出后,完成圈定兴趣区、删除无效的眼动采样点等数据预处理。
二、提取眼动特征
由于眼部区域包含较多的情绪信息,通常在识别面孔情绪时易收到广泛关注。与孤独症患者类似,孤独特质程度较高的群体可能在观察情绪面孔时表现出对眼部区域的非典型扫描。因此,选定眼部区域作为兴趣区。基于眼部AOI的比例注视时间可反映被试对视觉刺激中眼部AOI的注视模式,量化高、低孤独特质组对情绪面孔注视模式的差异。定向眼部AOI的潜伏期定义为情绪面孔呈现至被试的注视点首次落入眼部AOI中的时间差;脱离眼部AOI的潜伏期定义为被试的注视点首次落入眼部AOI的持续时间。定向眼部AOI的潜伏期与脱离眼部AOI的潜伏期可量化高、低孤独特质组观察情绪面孔时对眼部区域的优先注视程度。
以孤独谱系商数量表分数作为孤独特质的初始分类依据,已通过统计学分析、相关性分析等方法验证,基于眼部AOI的比例注视时间、定向眼部AOI的潜伏期、脱离眼部AOI的潜伏期在高、低孤独特质组具有显著差异,可作为孤独特质程度分类的特征指标实现对人群中孤独特质程度的分析分类。具体结果如下:
1、基于眼部AOI的比例注视时间
如图2所示,通过重复测量方差分析对比高、低孤独特质组识别面孔情绪时对于眼部AOI的比例注视时间发现,在各个面孔情绪下,高孤独特质组对眼部AOI的注视时间均显著低于低孤独特质组(P<0.01)。
为了进一步验证识别面孔情绪时基于眼部AOI的比列注视时间能否作为孤独特质程度分类的依据,计算了孤独谱系商数量表评分与基于眼部AOI的比例注视时间的相关系数,以探究孤独特质水平与眼动特征之间的关联性。结果显示,量表分数与基于眼部AOI的比例注视时间呈现显著的负相关(r=-0.499,p<0.05),即孤独特质程度越高,识别情绪面孔时对眼部区域的比例注视时间越少,说明识别面孔情绪时基于眼部AOI的比例注视时间可作为分析孤独特质程度的分类指标。
2、定向眼部AOI的潜伏期
如图3所示,在各种情绪下,高孤独特质组观察情绪面孔时,定向眼睛的潜伏期均较长,四种情绪下高孤独特质组定向眼睛的速度均较慢。高、低孤独特质组定向眼部AOI的潜伏期差异显著,说明定向眼部AOI的潜伏期可作为孤独特质程度的分类指标。
3、脱离眼部AOI的潜伏期
如图4所示,四种情绪下,高孤独特质组注视点首次落入眼部AOI后,比低孤独特质组更快地脱离眼部AOI,表现出对眼部AOI的回避,表明高、低孤独特质组在观察情绪面孔时,注视点首次脱离眼部AOI的潜伏期具有显著差异,可作为孤独特质程度分类的指标。
三、构建特征集
基于眼部AOI的比例注视时间分别提取正面、半侧面、侧面三个角度及快乐、中性、悲伤、愤怒四种情绪下的平均值、标准差、中值作为特征,共36个特征(3*4*3);定向眼部AOI的潜伏期分别提取四种情绪与同一面孔不同角度的五次播放下的平均值、标准差、中值作为特征,共60个特征(4*5*3);脱离眼部AOI的潜伏期提取特征数量与定向眼部AOI的潜伏期一致,共60个特征。
四、特征归一化与降维
为了消除不同参数之间的量纲影响,进行数据的标准化处理,以便作为共同输入参数实现孤独特质程度的分析。标准化方法如公式(1)所示:
其中,X1为输入的参数矩阵,MinX1为矩阵中的最小值,MaxX1为矩阵中的最大值。
由于特征集维度较多,为保证信息熵最大的情况下,尽可能地减低数据的维度以减少计算量,提升学习训练速度和效率,采用PCA(主成分分析)算法对数据进行降维。在多维特征空间中寻找合适的投影空间,映射到n维上,作为特征的主成分,用于后续计算。PCA算法将数据降维后,可有效减少数据预测的时间同时,提升孤独特质程度分析的准确性。PCA的具体计算过程如下:
(1)计算输入特征协方差矩阵:
其中,Xi为输入的特征矩阵,n为矩阵的维度。
(2)利用奇异值分界函数计算A的特征值和特征向量:
A=USVT (3)
其中,S为AAT或ATA特征值的平方根矩阵,U为AAT的特征向量矩阵,V为ATA的特征向量矩阵。
(3)将特征值排序后,选取最大的k个特征值对应的特征向量,组成特征向量矩阵,将样本数据投影到特征向量上,得到降到k维的数据。
五、构建分类器
分类器采用天牛须优化的BP神经网络,通过数据的训练,修正网络权值和阈值误差使误差函数沿负梯度方向下降,逼近期望输出,以用于孤独特质的分析分类。构建模型前,采用随机抽样的方法以7:3的比例划分训练集与测试集,训练集用于训练模型,测试集用于测试分类准确度,以不断优化网络参数。
该模型以已验证高、低孤独特质群体具有显著差异的眼动指标降维后数据作为输入,孤独特质分类结果作为输出,利用天牛须搜索算法(Xiangyuan Jiang and ShuaiLi.BAS:Beetle Antennae Search Algorithm for Optimization Problems[J].ArXiv,2017,abs/1710.10724)寻找的最佳天牛位置优化BP神经网络权值和阈值,减小网络误差以输出最优解。
孤独特质分类流程如下:
1、确定BP神经网络的结构。依据经验公式(4),确定隐藏层个数。
其中,n为输入层节点数,m为输出层节点数,a为1至10之间的常数。
2、初始化BP神经网络的权值和阈值,输入参数特征通过公式(5)在网络内正向传播,
依次传递运算结果。
其中,yi为第i层的输出,wi为第i层与输入之间的权值,xi为第i层的输入,θi为输入到第i层的阈值。
3、初始化天牛须算法的参数,天牛左右两须之间的距离D0,步长M以及最大迭代次数,将BP神经网络的初始化权值和阈值作为天牛的初始化位置,依据公式(6)确定天牛的初始方向
其中,rands()为随机函数;k表示空间维度。
4、依据公式(7)不断更新迭代后的天牛左右两须的位置坐标,并依据公式(8)适应度函数f计算对应位置下天牛左右两须的适应度值并比较,天牛朝向适应值大的一边移动,依据公式(9)更新天牛位置。
其中,t为迭代次数,Slt、Srt分别为t次迭代之后天牛左右两须的位置,dfi为第i个样本模型的输出值,dvi为第i个样本模型的实际值,βt为步长因子,St+1是t次迭代之后天牛的位置。
5、依据适应度值不断更新天牛位置,直至满足条件,最终选择的天牛最优位置即为BP神经网络的最优权值和阈值。
6、依据公式(10)计算网络误差,网络的激活函数为sigmoid函数,损失函数为二分类交叉熵。设定学习率η后,网络训练反向传播权值依据公式(11)(12)不断更新。
其中,m为训练例的个数,E为m个训练例的均方误差,E(i)为单个训练例的均方误差,ΔWih更新的反向传播权值,η为学习率,Δθi为更新的阈值。
当结果达到期望误差后,网络训练结束。每个源个体分类器都会对目标个体输出孤独特质的概率向量,对所有的概率向量求平均概率,最终的孤独特质识别结果为概率向量的最大值对应的状态。测试样本利用分类器进行分类,对应特征孤独特质程度的标签评估分类器的分类准确度,调整网络参数以优化分类效果,实现对人群中孤独特质程度的准确分类。
本发明实施例的主旨是提出一种孤独特质程度分析的新装置,主要基于具有可分性的眼动特征建立分类模型,通过量化指标客观性地分析人群孤独特质的程度。本发明实施例可有效提升孤独特质程度分析的准确性和稳定性,可进行专利转让、技术合作或产品开发,应用于孤独症流行病学调查、心理健康与社交能力评估、职业性格分析等领域,具有可观的社会效益和经济效益。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于眼动特征的孤独特质程度检测装置,其特征在于,所述装置包括:
眼动数据采集及预处理模块,用于设计的面孔情绪识别范式包含快乐、中性、悲伤、愤怒四种情绪,单张面孔包含正面0°、半侧面45°、侧面90°三种角度,以0°-45°-90°-45°-0°和90°-45°-0°-45°-90°两种呈现方式播放;采集用户完成任务期间的眼动数据并进行圈定兴趣区、删除无效的眼动采样点的数据预处理;
特征提取模块,用于提取具有对孤独特质具有明显区分度的基于眼部兴趣区的比例注视时间、定向眼部兴趣区的潜伏期、脱离眼部兴趣区的潜伏期三个眼动指标作为评定参数,对特征进行归一化与降维后,分为训练集与测试集;
基于眼部兴趣区的比例注视时间分别提取正面、半侧面、侧面三个角度及快乐、中性、悲伤、愤怒四种情绪下的平均值、标准差、中值作为特征;定向眼部兴趣区的潜伏期分别提取四种情绪与同一面孔不同角度的五次播放下的平均值、标准差、中值作为特征;脱离眼部兴趣区的潜伏期提取特征数量与定向眼部兴趣区的潜伏期一致;
训练模块,将上述特征通过构建特征集,经过特征归一化与降维后,输入至构建的天牛须算法优化的BP神经网络分类器中,利用天牛须搜索算法确定BP神经网络的最优权值和阈值,对训练集进行学习后,使用测试集对分类模型的可靠性进行测试,得到该装置的分类模型;
预测评估模块,将用户特征数据集输入至分类模型中,得到分类结果,以实现人群孤独特质程度的检测与评定;
其中,定向眼部兴趣区的潜伏期定义为情绪面孔呈现至被试的注视点首次落入眼部兴趣区中的时间差;脱离眼部兴趣区的潜伏期定义为被试的注视点首次落入眼部兴趣区的持续时间;
其中,所述采集用户完成任务期间的眼动数据为:用户依据面孔图片呈现的情绪与卡通表情完成情绪匹配任务,采集用户完成任务期间的眼动数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211533221.6A CN115990016B (zh) | 2022-12-02 | 2022-12-02 | 一种基于眼动特征的孤独特质程度检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211533221.6A CN115990016B (zh) | 2022-12-02 | 2022-12-02 | 一种基于眼动特征的孤独特质程度检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115990016A CN115990016A (zh) | 2023-04-21 |
CN115990016B true CN115990016B (zh) | 2024-04-19 |
Family
ID=85989664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211533221.6A Active CN115990016B (zh) | 2022-12-02 | 2022-12-02 | 一种基于眼动特征的孤独特质程度检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115990016B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109620259A (zh) * | 2018-12-04 | 2019-04-16 | 北京大学 | 基于眼动技术与机器学习对孤独症儿童自动识别的系统 |
CN111081371A (zh) * | 2019-11-27 | 2020-04-28 | 昆山杜克大学 | 基于虚拟现实的孤独症早期筛查评估系统及方法 |
CN211862821U (zh) * | 2019-12-04 | 2020-11-06 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的孤独症辅助评估系统 |
CN112890815A (zh) * | 2019-12-04 | 2021-06-04 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的孤独症辅助评估系统和方法 |
CN112926117A (zh) * | 2021-03-01 | 2021-06-08 | 郑州大学 | 一种基于bas-bp的桩基水平承载力预测方法 |
WO2021206046A1 (ja) * | 2020-04-10 | 2021-10-14 | 国立大学法人東海国立大学機構 | 精神障害患者の客観的睡眠評価方法 |
KR20220072484A (ko) * | 2020-11-25 | 2022-06-02 | 한국전자기술연구원 | 얼굴표정 분석기반 자폐 스펙트럼 장애 평가 방법 |
CN115040128A (zh) * | 2022-06-02 | 2022-09-13 | 杭州电子科技大学 | 一种基于眼动数据的自闭症谱系障碍检测方法 |
CN115206492A (zh) * | 2021-04-12 | 2022-10-18 | 中国科学院深圳先进技术研究院 | 基于眼动反馈的情绪识别能力自适应训练方法及其装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201200122D0 (en) * | 2012-01-05 | 2012-02-15 | Univ Aberdeen | An apparatus and a method for psychiatric evaluation |
ES2751380T3 (es) * | 2012-12-11 | 2020-03-31 | Ami Klin | Sistemas y métodos para detectar inhibición de parpadeo como marcador de cautivación y prominencia de estímulo percibido |
WO2014127065A2 (en) * | 2013-02-12 | 2014-08-21 | Emotient | Facial expression measurement for assessment, monitoring, and treatment evaluation of affective and neurological disorders |
WO2015057321A1 (en) * | 2013-10-17 | 2015-04-23 | Children's Healthcare Of Atlanta, Inc. | Methods for assessing infant and child development via eye tracking |
WO2015164807A1 (en) * | 2014-04-25 | 2015-10-29 | Texas State University | Detection of brain injury and subject state with eye movement biometrics |
JP6815486B2 (ja) * | 2016-05-06 | 2021-01-20 | ザ ボード オブ トラスティーズ オブ ザ レランド スタンフォード ジュニア ユニバーシティー | 精神障害の療法のためのモバイルおよびウェアラブルビデオ捕捉およびフィードバックプラットフォーム |
CN111326253A (zh) * | 2018-12-14 | 2020-06-23 | 深圳先进技术研究院 | 自闭症谱系障碍患者的多模态情感认知能力的评估方法 |
-
2022
- 2022-12-02 CN CN202211533221.6A patent/CN115990016B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109620259A (zh) * | 2018-12-04 | 2019-04-16 | 北京大学 | 基于眼动技术与机器学习对孤独症儿童自动识别的系统 |
CN111081371A (zh) * | 2019-11-27 | 2020-04-28 | 昆山杜克大学 | 基于虚拟现实的孤独症早期筛查评估系统及方法 |
CN211862821U (zh) * | 2019-12-04 | 2020-11-06 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的孤独症辅助评估系统 |
CN112890815A (zh) * | 2019-12-04 | 2021-06-04 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的孤独症辅助评估系统和方法 |
WO2021206046A1 (ja) * | 2020-04-10 | 2021-10-14 | 国立大学法人東海国立大学機構 | 精神障害患者の客観的睡眠評価方法 |
KR20220072484A (ko) * | 2020-11-25 | 2022-06-02 | 한국전자기술연구원 | 얼굴표정 분석기반 자폐 스펙트럼 장애 평가 방법 |
CN112926117A (zh) * | 2021-03-01 | 2021-06-08 | 郑州大学 | 一种基于bas-bp的桩基水平承载力预测方法 |
CN115206492A (zh) * | 2021-04-12 | 2022-10-18 | 中国科学院深圳先进技术研究院 | 基于眼动反馈的情绪识别能力自适应训练方法及其装置 |
CN115040128A (zh) * | 2022-06-02 | 2022-09-13 | 杭州电子科技大学 | 一种基于眼动数据的自闭症谱系障碍检测方法 |
Non-Patent Citations (2)
Title |
---|
面孔社会信息对注视提示效应的调制及其神经机制;袁甜,等;《生物化学与生物物理进展》;20220630;第49卷(第6期);全文 * |
高功能孤独症谱系障碍儿童目光接触障碍心理机制探索;王静;《中国优秀硕士论文全文数据库 社会科学辑》;20220915;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115990016A (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rubin et al. | Recognizing abnormal heart sounds using deep learning | |
CN111009321A (zh) | 一种机器学习分类模型在青少年孤独症辅助诊断中的应用方法 | |
Singh et al. | Collaboration of features optimization techniques for the effective diagnosis of glaucoma in retinal fundus images | |
Feng et al. | A review of methods for classification and recognition of ASD using fMRI data | |
Herath et al. | Autism spectrum disorder diagnosis support model using Inception V3 | |
Xia et al. | Dynamic viewing pattern analysis: towards large-scale screening of children with ASD in remote areas | |
Li et al. | Benchmarking domain generalization on EEG-based emotion recognition | |
Ohannesian et al. | Epileptic seizures detection from EEG recordings based on a hybrid system of Gaussian mixture model and random forest classifier | |
CN109271894A (zh) | 一种基于脑电信号和模糊推理的产品意象识别方法 | |
Saleh et al. | A new autism spectrum disorder discovery (ASDD) strategy using data mining techniques based on blood tests | |
CN115990016B (zh) | 一种基于眼动特征的孤独特质程度检测装置 | |
Nahian et al. | Common human diseases prediction using machine learning based on survey data | |
Mahesh et al. | Cognitive Based Attention Deficit Hyperactivity Disorder Detection with Ability Assessment Using Auto Encoder Based Hidden Markov Model | |
Sunsirikul et al. | Associative classification mining in the behavior study of autism spectrum disorder | |
Nayak et al. | Estimation of depression anxieties and stress through clustering of sequences of visual and thermal face images | |
Rezaee et al. | Diagnostic tools for detecting autism spectrum disorder: A review | |
Kanchana et al. | Prediction of autism spectrum disorder using random forest classifier in adults | |
Muetunda et al. | Improving Mental Disorder Predictions using Feature-Based Machine Learning Techninques | |
Tang et al. | S2VQ-VAE: Semi-Supervised Vector Quantised-Variational AutoEncoder for Automatic Evaluation of Trail Making Test | |
Li et al. | Few-shot EEG sleep staging based on transductive prototype optimization network | |
Pant et al. | Prediction Model for Cardiovascular Disease Risk in Type-2 Diabetic Patients Using a Hybrid Artificial Bee Colony Model and Semi-Supervised Learning | |
Jacqueline et al. | A Framework for Performing an Analysis on Behavioral traits using Machine Learning | |
Ramesh et al. | Alzheimer's Disease (AD) Diagnosis from Brain MRI Image using Neural Network Algorithm | |
Ali et al. | Knowledge Discovery in Health Domain using Deep Neural Network Algorithms | |
Khalid | A Comparative Study of Different Deep Learning Algorithms for Urinalysis Recognition System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |