LookASD – Intelligent System to Assist Healthcare Professionals in Decision-Making About Children with ASD

• Jarriv Alcantara de Oliveira Reginaldo Universidade Federal do ABC (UFABC)
• Francisco de Assis Zampirolli Universidade Federal do ABC (UFABC)
• Wagner Tanaka Botelho Universidade Federal do ABC (UFABC)

DOI: https://doi.org/10.5753/eniac.2023.233604

Resumo

O Transtorno do Espectro Autista (TEA) é caracterizado por distúrbios neurodesenvolvimentais que afetam as habilidades sociais, a comunicação e as capacidades de aprendizado das pessoas. Afeta aproximadamente uma em cada 200 pessoas. As pessoas com TEA nascem com o transtorno e não há cura. No entanto, ainda é necessário disponibilizar métodos simples e confiáveis que utilizem dados públicos para auxiliar os profissionais de saúde no seu diagnóstico. Este artigo apresenta o LookASD, um sistema de código aberto que exibe múltiplas imagens para capturar os padrões de atenção visual (mapas focais) de crianças de cinco a 12 anos. Para isso, uma webcam captura os mapas focais e, em seguida, os classificam usando um conjunto de dados públicos composto por mapas focais de crianças com e sem TEA. Na classificação, trinta e quatro métodos de aprendizado de máquina da biblioteca Sklearn foram utilizados no conjunto de dados, sendo 80% para treinamento e 20% para teste. Os classificadores mais precisos foram a Classificação de Vetores de Suporte (SVC), K-Vizinhos Mais Próximos (KNeighborsClassifier) e o Histograma Gradient Boosting (HistGradientBoostingClassifier).

Palavras-chave: autism, ASD, Prediction, Machine Learning

Referências

Aggarwal, A., Sahay, T., and et al. (2015). Grid search analysis of nu-SVC for text-dependent speaker-identification. In INDICON-IEEE, pages 1–5.

Bao, Y., Wang, T., and Qiu, G. (2014). Research on applicability of SVM kernel functions used in binary classification. In CSAIT-Springer, pages 833–844.

Biasão, M. d. C. R. (2019). Classificação da gravidade do transtorno do espectro autista baseada no padrão de rastreamento do olhar. PhD thesis, USP.

Bortoletti, H. S. (2022). Aquisição de vídeos e processamento de imagens faciais em dispositivos móveis para auxílio ao diagnóstico do Transtorno do Espectro Autista. PhD thesis, USP.

Chang, C.-C. and Lin, C.-J. (2011). LIBSVM: a library for support vector machines. ACM transactions on intelligent systems and technology (TIST), 2(3):1–27.

Cournapeau, D. (2023). Sklearn classifiers.

Donvan, J. and Zucker, C. (2017). Outra sintonia: a história do autismo. Editora Companhia das Letras.

Duan, H., Zhai, G., and et al. (2019). A dataset of eye movements for the children with autism spectrum disorder. In Proc. of the 10th ACM MMSys, pages 255–260.

Gribskov, M. and Robinson, N. L. (1996). Use of receiver operating characteristic (roc) analysis to evaluate sequence matching. Computers & chemistry, 20(1):25–33.

Han, J. and Kamber, M. (2006). Data mining: Concepts and techniques second edition. morgan kauffman. San Fransisco.

Klin, A. (2006). Autismo e síndrome de asperger: uma visão geral. Brazilian Journal of Psychiatry, 28:s3–s11.

Larose, D. T. (2015). Data mining and predictive analytics. John Wiley & Sons.

Nogueira Filho, A. d. L. (2020). Desenvolvimento de uma ferramenta computacional para o auxílio na análise do processamento holístico facial do transtorno do espectro do autismo (tea): estudos não clínicos. Master’s thesis, UnB.

Ojala, M. and Garriga, G. C. (2010). Permutation tests for studying classifier performance. Journal of machine learning research, 11(6).

Oliveira, G. (2009). Autismo: diagnóstico e orientação parte i-vigilância, rastreio e orientação nos cuidados primários de saúde. Acta pediát. port., 40(6):278–287.

Pal, M. and Rubini, P. (2022). Multimodal autism detection in children through facial and speech emotion. In Rising Threats in Expert Appl. and Solut., pages 683–692.

Papoutsaki, A., Sangkloy, P., and et al. (2016). Webgazer: Scalable webcam eye tracking using user interactions. In Proc. of the 25th Intern. Joint Conf. on Artificial Intelligence (IJCAI), pages 3839–3845. AAAI.

Quilici-Gonzalez, J. A. and Zampirolli, F. A. (2014). Sistemas inteligentes e mineração de dados. Triunfal Gráfica e Editora.

Simmons, D. R., Robertson, A. E., and et al. (2009). Vision in autism spectrum disorders. Vision research, 49(22):2705–2739.

Usta, M. B., Karabekiroglu, K., and et al. (2019). Use of machine learning methods in prediction of short-term outcome in autism spectrum disorders. Psychiatry and Clinical Psychopharmacology, 29(3):320–325.

Vapnik, V. (1999). The nature of statistical learning theory. Springer science & business media.