Auxílio ao diagnóstico do Transtorno do Espectro Autista com base em trajetórias provenientes de rastreamento do olhar

• Ano de defesa: 2020
• Autor(a) principal: Cardoso, Thiago Victor
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de máquina; Atenção compartilhada; Austism spectrum disorder; Desenvolvimento típico; Eye tracking; Image processing; Joint attention; Machine learning; Processamento de imagens; Random forest; Rastreamento do olhar; Trajectory; Trajetória; Transtorno do espectro autista; Typical development
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/100/100131/tde-14122020-231950/

O uso do Eye Tracking (ET) tem sido investigado como mecanismo auxiliar para diagnóstico do Transtorno do Espectro Autista (TEA). Por meio de imagens estáticas ou vídeos usados como estímulo, o olhar é rastreado e os dados obtidos são analisados por técnicas diversas. Um dos paradigmas investigados usando ET é a Atenção Compartilhada (AC), a qual refere-se a momentos em que indivíduos estão focados no mesmo alvo, de modo que ambos estão cientes que o foco de atenção é compartilhado. As ferramentas computacionais que visam auxiliar o diagnóstico de TEA têm utilizado técnicas de Processamento de Imagens e Aprendizado de Máquina para processar imagens, vídeos e sinais de ET. No entanto, o paradigma de AC ainda é pouco explorado e apresenta desafios, pois é necessário analisar a trajetória do olhar, exigindo abordagens inovadoras. O objetivo deste projeto é propor um modelo capaz de extrair características de um vídeo usado como estímulo para verificar a AC e classificar indivíduos como pertencentes ao grupo TEA ou Desenvolvimento Típico (DT). O principal diferencial em relação às abordagens da literatura é a definição e implementação do conceito de Regiões de Interesse flutuantes, que possibilitam o acompanhamento do olhar em relação a um objeto, considerando a sua semântica, mesmo que o objeto apresente características distintas ao longo do vídeo. Um modelo baseado em Comitê de Máquinas usando o algoritmo Random Forest foi implementado para classificar indivíduos como TEA ou DT usando as características de trajetória extraídas dos sinais de ET. O método alcançou 0,75 de acurácia e 0,82 de F1-score, indicando que a abordagem proposta, baseada em trajetória e AC, apresenta potencial para aplicação no auxílio ao diagnóstico de TEA