自闭症谱系障碍 (ASD) 对儿童的生活常常造成困难，因此早期诊断对于正确的治疗和关怀是必要的。为了帮助医疗专业人员早期发现，我们提出了一种分析儿童对感官刺激反应的深度学习模型，旨在捕捉 ASD 和非 ASD 患者之间反应和行为的关键差异。与许多 ASD 分类中的研究不同，我们的数据是由 MRI 数据组成，这需要昂贵的专用 MRI 设备，而我们的方法仅依赖于一台相对较便宜的 GPU、一套不错的计算机配置和一个用于推断的视频摄像机。我们的数据结果表明，我们的模型能够很好地进行泛化并理解患者不同运动之间的关键差异，尽管对于深度学习问题的数据量有限，模型输入上有限的时间信息和因运动而产生的噪音。

Feb, 2024

研究使用机器学习来加速 ASD 检测和诊断的最新概率方法，着重评估其适用的数据集类型、准确性以及在 ASD 分类中的表现。

Mar, 2023

利用不同机器学习算法研究自闭症的诊断方法，发现了最重要的特征并自动化了诊断过程，同时采用流行的聚类算法对数据集进行了进一步分析，得出了最佳聚类模型。

Sep, 2023

利用人工智能（AI）诊断自闭症谱系障碍（ASD）的研究表明了其对 ASD 诊断尤其是儿童的早期发现的重要性，使用深度学习和机器学习从社交媒体的文本输入中检测 ASD，达到了 88% 的高准确率。

Mar, 2024

评估自闭症谱系障碍的动作学分析方法，比较手工制作特征和端到端模型在虚拟现实环境的有效性，结果显示端到端模型在动作一致性方面表现更好，但手工制作特征在特定任务方面表现出色。

Nov, 2023

本文探讨使用对比变分自编码器（CVAE）提取结构磁共振成像（s-MRI）特征进行儿童自闭症谱系障碍（ASD）机器分类的方法，数据来自深圳市儿童医院，使用转移学习策略提高预测精度，并针对不同大脑区域进行了神经解剖解释。

Jul, 2023

通过使用机器学习开发了一种简便、快速和低成本的方法来识别自闭症，其中支持向量机作为最优模型具有更高的准确率、更高的召回率以及相对于随机森林提高了 2.22％至 6.67％的准确率。

Apr, 2024

通过机器学习和深度学习方法，提出了一种新的流程模型来检测自我刺激行为，从而帮助诊断孤独症谱系障碍（ASD）。通过扩充自我刺激行为数据集（SSBD）并使用新的标签，结合深度学习模型，实现了针对实时、免提自动诊断的模型，准确率达到约 81%。

Nov, 2023

本文引入了 Vision Transformer 方法 ViTASD，通过提取患者面部图片中的特征来分析小儿孤独症的症状，相关实验表明，该方法在小儿孤独症面部分析方面表现优异，ViTASD-L 更是取得了最新的最优效果。

Oct, 2022

深度学习目标检测在帮助视力受损者避开障碍物方面是一种有效的方法，本文通过实现并评估七种不同的 YOLO 目标检测模型（YOLO-NAS，YOLOv8，YOLOv7，YOLOv6 和 YOLOv5）来分析这些模型在道路和人行道上常见物体的图像上的表现，并发现 YOLOv8 是最佳模型，其在包含 VOC、COCO 和 TT100K 数据集的 Obstacle 数据集上表现出 80% 的精确度和 68.2% 的召回率，尽管 YOLO-NAS 是最新的模型，在其他应用中表现更好，但对于障碍物检测任务来说并不理想。

Dec, 2023