融合多模态数据的自闭症谱系障碍儿童智能化识别及其有效性

自闭症发病率呈逐年上升趋势,早期发现和及时干预可以显著改善预后,能够很大程度上改善自闭症儿童的语言能力、认知能力以及行为习惯,因此,自闭症的早期识别工作意义重大.传统识别方法能够获得较好的识别结果,但过程耗时且高度依赖于专业人员的操作,而已有的智能化识别方法的识别精度难以满足应用需求.本研究探索了融合多模态数据的自闭症儿童智能化识别方法,通过对行为数据和认知数据的分析发现,自闭症儿童和典型发展儿童在眼动、面部表情、认知得分和认知反应时数据上存在显著性差异.本研究利用数据差异性分析进行特征选择,构建了融合多模态数据的自闭症儿童识别框架,该框架根据数据来源和时间同步性将数据进行分层融合,进而得到最终的识别结果.同时,将融合多模态数据的自闭症儿童智能化识别方法以及各单模态识别方法分别与传统方法识别结果进行一致性检验,验证融合多模态数据识别方法的泛化能力和有效性.结果表明,与各单模态识别方法相比,融合多模态数据的自闭症谱系障碍儿童识别与传统方法识别结果一致性程度最高,识别正确率与传统识别方法的正确率最接近,是一种有效的自闭症儿童智能化识别方法.