本发明涉及孤独症辅助诊断，具体涉及一种基于眼球追踪技术的孤独症辅助诊断方法。
背景技术：
1、孤独症谱系障碍(autism spectrum disorder，asd)，简称孤独症或自闭症，是一类以社会交往障碍、狭隘兴趣和重复刻板行为、以及感知觉异常为主要特征的发育性神经系统疾病，其发病机制复杂且尚不完全明确，以康复干预为主要治疗手段。全球孤独症患病率显著上升(美国超过2％)，孤独症的症状通常伴随终生，是影响人口健康的重大问题之一，世界卫生组织建议“早发现、早诊断、早治疗”。美国平均孤独症诊断年龄为4岁3个月，我国平均孤独症诊断年龄也超过3岁，诊断年龄的前移及孤独症亚型的准确分类是及时、有效利用1岁半至5岁黄金干预期的前提和基础。
2、眼动追踪是一种用来记录和分析人眼在观察过程中的运动轨迹和注视点的技术。通过眼动追踪，可以获取到个体在观察视觉刺激时的注意力分配、注意点的持续时间、扫视路径等信息，从而揭示人类视觉注意力的认知过程。利用眼动追踪技术来研究孤独症患者在观察社交情境、面部表情、眼神接触等方面的特殊眼动模式，量化分析asd与非asd眼动模式的差异，开发更有效的诊断和干预方法。
3、当前，孤独症被视为典型症状学疾患，临床上主要依赖医师对患者孤独症特征行为观察和家长对行为的描述进行诊断，使得诊断存在较大的主观性，对医师经验及其对诊断量表理解有较高要求。临床诊断时患者面临陌生环境和陌生医生，且需要进行长时间(超过2小时)诊断量表评估，对患者心理状态和行为表现产生较大干扰，影响诊断准确性，易引起误诊、漏诊问题。部分基于眼球追踪的辅助诊断方法使用人物、物品、社交等静态图片作为刺激物，通过对比孤独症患者与正常儿童在图片上注视兴趣点差异进行辅助诊断，缺少真实自然情景下非语言沟通、语言沟通等动态社交线索，分类准确度有限。并且，相对于视频刺激物，对孤独症患者的吸引力不足，降低了采集数据的质量。
4、如何提高孤独症辅助诊断的客观性、标准化和效率，并提高诊断准确率，是一个亟待解决的问题。为此，提出一种基于眼球追踪技术的孤独症辅助诊断方法。
技术实现思路
1、本发明所要解决的技术问题在于：如何提高孤独症辅助诊断的客观性、标准化和效率，并提高诊断准确率，提供了一种基于眼球追踪技术的孤独症辅助诊断方法。
2、本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：
3、s1：预处理刺激视频
4、选取刺激视频，进行声音和亮度的均衡处理，对刺激视频中的所有帧进行roi划分；
5、s2：建立非asd儿童注视点时空分布的常模
6、选取多个非asd儿童观看刺激视频，对视频中的每一帧的眼动注视点进行核密度估计，获得每帧图像roi的注视点概率密度函数；剔除发散帧，收敛帧的概率密度分布即为非asd儿童注视点的时空分布常模；
7、s3：获取鉴别帧
8、多个asd儿童观看刺激视频，计算收敛帧上asd儿童注视点的概率密度；若收敛帧上asd儿童注视点分布发散，则此帧为鉴别帧；
9、s4：训练机器学习模型
10、将鉴别帧上非asd儿童和asd儿童在各个roi的注视概率作为训练集，对应儿童的量表评估结果作为标签，训练机器学习模型，模型输出为孤独症分类结果以及社交障碍指数、语言能力指数和非语言能力指数；
11、s5：模型辅助诊断
12、患者观看刺激视频，记录眼动追踪数据，将鉴别帧roi的注视概率输入训练完成的机器学习模型，得到患者的asd分类结果、社交障碍指数、语言能力指数和非语言能力指数。
13、更进一步地，在所述步骤s1中，具体处理过程如下：
14、s11：选取设定数量的自然情景下儿童互动、与照顾者互动的视频作为刺激视频；
15、s12：对刺激视频进行声音和亮度均衡处理；
16、s13：将刺激视频所有帧均手动进行roi标记，划分为眼睛、嘴巴、身体和物体四个部分。
17、更进一步地，在所述步骤s2中，具体处理过程如下：
18、s21：非asd儿童坐在在集成有眼动仪和摄像头的显示屏前面，对眼动视线进行校准，然后对其姿态进行校正；
19、s22：当姿态校正完毕后，进行后续刺激视频的观看和眼动数据记录，直至完成所有视频测试；
20、s23：所有非asd儿童均完成步骤s21和步骤s22；
21、s24：在视频的每一帧，对非asd儿童的眼动注视点进行核密度估计，得到每帧图像的注视点概率密度，所有帧的核密度估计构成了非asd儿童的注视点时空分布；
22、s25：使用留一法重采样计算每个非asd儿童在各个帧roi的注视概率，以roi注视概率中值评价帧的收敛性，剔除注视点分布发散的帧；其中注视点分布发散的帧即发散帧，发散帧是注视概率中值小于设定阈值的帧。
23、更进一步地，在所述步骤s24中，给定一个由n个非asd儿童对某一帧图像的注视点数据集{(xi,yi)}，其中xi,yi分别为注视点在屏幕坐标系中的坐标值，数据集中共有n个数据点，设k(·)是核函数，h是带宽，则核密度估计由下式计算：
24、
25、其中，核函数k(·)选用高斯核函数，表达式如下：
26、
27、得到某帧图像的注视点概率密度函数的估计后，对于任意一个注视点(x,y)，均能够通过来计算这个注视点的概率。
28、更进一步地，所述步骤s3中，具体处理过程如下：
29、s31：对所有asd儿童进行步骤s21和步骤s22的过程；
30、s32：在收敛帧上计算asd儿童的核密度估计，得到收敛帧上asd儿童注视点的概率密度；
31、s33：若asd儿童在收敛帧上分布发散，则此帧为鉴别帧。
32、更进一步地，在所述步骤s4中，机器学习模型包括逻辑回归分类器模型、线性回归模型。
33、更进一步地，在所述步骤s4中，具体处理过程如下：
34、s41：计算所有被试儿童在所有鉴别帧roi的注视概率，作为训练集，收集所有被试儿童对应的量表评估结果，作为训练集标签；
35、s42：建立逻辑回归分类器模型，输入为被试儿童的鉴别帧roi注视概率向量，输出为asd分类结果；
36、s43：建立线性回归模型，输入为被试儿童的鉴别帧roi注视概率向量，输出为社交障碍指数、语言能力指数、非语言能力指数；
37、s44：使用训练集训练模型，得到训练完成的机器学习模型。
38、更进一步地，在所述步骤s41中，被试儿童包括步骤s2中的所有非asd儿童和步骤s3中的所有asd儿童。
39、更进一步地，在所述步骤s5中，具体处理过程如下：
40、s51：患者进行步骤s21和步骤s22的过程；
41、s52：计算患者在鉴别帧roi的注视概率，得到注视概率向量；
42、s53：将注视概率向量输入机器学习模型，得到患者的asd分类结果以及社交障碍指数、语言能力指数和非语言能力指数。
43、更进一步地，在所述步骤s5中，asd分类结果为阴性或者阳性；社交障碍指数的取值范围是0到10，分数越高表示社交障碍表现越明显；语言能力指数的取值范围是0到10，分数越高表示语言能力越发达；非语言能力指数的取值范围是0到10，分数越高表示非语言能力表现越好。
44、本发明相比现有技术具有以下优点：该基于眼球追踪技术的孤独症辅助诊断方法，利用眼球追踪技术获得患者视线关注区域，基于此生物标记物有助于提升孤独症辅助诊断的客观性、标准化和效率；使用自然情景下视频作为刺激物，增强对患者的吸引力，降低陌生环境和医师对患者的影响，通过核密度估计获取视频关键帧上感兴趣区域的概率分布，建立患者感兴趣区域注视的时空分布，有助于增加信息量、提取细微异常特征，提高诊断准确率。
1.一种基于眼球追踪技术的孤独症辅助诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于眼球追踪技术的孤独症辅助诊断方法，其特征在于，在所述步骤s1中，具体处理过程如下：
3.根据权利要求2所述的一种基于眼球追踪技术的孤独症辅助诊断方法，其特征在于，在所述步骤s2中，具体处理过程如下：
4.根据权利要求3所述的一种基于眼球追踪技术的孤独症辅助诊断方法，其特征在于，在所述步骤s24中，给定一个由n个非asd儿童对某一帧图像的注视点数据集{(xi,yi)}，其中xi,yi分别为注视点在屏幕坐标系中的坐标值，数据集中共有n个数据点，设k(·)是核函数，h是带宽，则核密度估计由下式计算：
5.根据权利要求3所述的一种基于眼球追踪技术的孤独症辅助诊断方法，其特征在于，所述步骤s3中，具体处理过程如下：
6.根据权利要求5所述的一种基于眼球追踪技术的孤独症辅助诊断方法，其特征在于，在所述步骤s4中，机器学习模型包括逻辑回归分类器模型、线性回归模型。
7.根据权利要求5所述的一种基于眼球追踪技术的孤独症辅助诊断方法，其特征在于，在所述步骤s4中，具体处理过程如下：
8.根据权利要求7所述的一种基于眼球追踪技术的孤独症辅助诊断方法，其特征在于，在所述步骤s41中，被试儿童包括步骤s2中的所有非asd儿童和步骤s3中的所有asd儿童。
9.根据权利要求7所述的一种基于眼球追踪技术的孤独症辅助诊断方法，其特征在于，在所述步骤s5中，具体处理过程如下：
10.根据权利要求1所述的一种基于眼球追踪技术的孤独症辅助诊断方法，其特征在于，在所述步骤s5中，asd分类结果为阴性或者阳性；社交障碍指数的取值范围是0到10，分数越高表示社交障碍表现越明显；语言能力指数的取值范围是0到10，分数越高表示语言能力越发达；非语言能力指数的取值范围是0到10，分数越高表示非语言能力表现越好。
