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

本文采用计算机视觉技术进行自动检测孤独症谱系障碍 (Autism Spectrum Disorder, ASD) 患者的刻板行为，并从非监督学习的角度解决监督学习方法难以应用于多种类型的刻板行为且数据难以获取的问题。通过提出一种基于 DS-SBD 模型的双流深度模型，该模型可以有效地检测 ASD 患者中的刻板行为，从而为未来的研究提供潜在的基准。

Feb, 2023

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

采用深度学习范式从多传感器加速度计信号中学习的特征和转移学习可以实现更精确的 SMM 检测器，从而为自闭症治疗的准确调整提供支持。

Nov, 2015

该研究提出了一种隐私保护的开源数据集 MMASD，它包括来自 32 个 ASD 儿童游戏治疗干预的数据，被分割成超过 100 个小时的干预录音，并由四个隐私保护数据模式组成，可帮助研究人员了解儿童的认知状态，监测他们在治疗期间的进展，并相应地定制治疗计划。

Jun, 2023

本文探讨了自动化反应测量技术，通过使用深度神经网络模型从视频中识别人类动作，利用引导式弱监督技术实现分类器重新训练，从源数据和目标数据之间的相似性中获取标签来校准目标数据，最终得出对自闭症技能评估的提升结果。

Nov, 2019

利用深度学习方法自动检测学生的课堂行为是分析他们的课堂表现和提高教学效果的一种有前途的方法。为了解决公开可用的学生行为时空数据集缺乏以及手动标注这类数据集的高成本问题，我们提出了一种通过图像数据集来扩展学生课堂行为数据集的方法（SCB-ST-Dataset4）。该数据集包括了 754,094 张图像和 25,670 个标签，侧重于三种行为：举手，阅读和书写。我们提出的方法可以快速生成时空行为数据集，无需进行注释。此外，我们还提出了一种行为相似度指数（BSI）来探索行为的相似性。我们使用 YOLOv5、YOLOv7、YOLOv8 和 SlowFast 算法评估了数据集，达到了 82.3% 的平均精度。实验证明了我们方法的有效性。这个数据集为学生行为检测的未来研究提供了牢固的基础，有可能推动该领域的进展。SCB-ST-Dataset4 可在此链接下载：https://URL

Oct, 2023

本研究使用 YoloV8 模型对 Kaggle 数据集中的面部图像进行分析，通过深度学习技术帮助自闭症儿童的诊断和分类，以提高早期干预和治疗效果。

Jun, 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

通过图卷积神经网络模型，以自动构建图的方式，预测自闭症患者的大脑活动模式，同时有效解决了图构建不鲁棒性问题，其性能准确，具有更强的鲁棒性。

Apr, 2017