本研究使用姿态和步态活动视频进行自闭症分析，通过回归自闭症诊断观察量表分数，识别患有自闭症的儿童及其条件的严重程度，并提出了一个有效特征来展现不规则的姿态模式，通过双流协同学习框架全面理解姿势和自闭症之间的关系。

Apr, 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

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

采用机器学习技术和自注意力的时间动作定位模型，针对自闭症谱系障碍（ASD）的幼儿视频，发展了简化复杂建模和强调效率的ASD行为识别方法，为ASD筛查提供了有前景的早期干预和支持方案，成为首个实施未剪辑的ASD幼儿视频中端到端时态行动定位的研究。

Apr, 2024

本研究解决了在真实课堂环境中快速识别和准确记录自闭症谱系障碍（ASD）中干扰和高风险行为的问题。通过先进的视频基础群体活动识别技术，我们提出了一种能够在保护隐私的同时量化行为的可解释模型，其F1-score达77%。该研究为开发有效的数据收集工具奠定了基础，从而减轻了课堂工作人员的工作负担。

Jul, 2024

本研究针对自闭症谱系障碍（ASD）早期检测中的客观性不足问题，提出了一种新的亲子互动积木游戏协议（PCB），旨在识别自闭症与正常发展幼儿之间的行为模式。同时，我们构建了一个大规模的视频数据集，包含40名自闭症幼儿和89名正常发展的幼儿，通过采用一种混合深度学习框架，实现了高达89.6%的早期检测准确率，能够极大地改善自闭症的早期诊断，提高临床决策的及时性与准确性。

Aug, 2024

本研究针对自闭症谱系障碍（ASD）患者的社交注视进行定量和全面分析，填补了传统研究视角的空白。通过利用自闭症诊断观察表（ADOS-2）访谈视频，我们采用第三人称视角，提取了注视特征并构建了分类器，发现能够有效识别ASD患者的注视异常。这一方法有望提升ASD的诊断效率。

Sep, 2024

本研究解决了准确诊断自闭症谱系障碍（ASD）在年轻儿童中的难题，特别是在数据可用性方面的不足。提出了视频ASD数据集，包含2,467个视频的特征数据，展示儿童对化学感官刺激的反应，旨在促进ASD分类的进展。研究发现，运动噪声对模型性能的影响凸显了复杂标签和更多数据需求的重要性。

Sep, 2024

本研究解决了自闭症儿童注视模式分析中传统方法依赖手动识别兴趣区域的局限性。我们提出了一种新的方法，利用七种聚类算法自动分组注视点，并提取63个特征用于描述注视模式与自闭症诊断之间的关联。实验结果表明，该方法在分析自闭症儿童独特注视模式和预测诊断方面具有显著的准确性和优越性。

Sep, 2024