在社会交往中，人们会不自觉的模仿对方的面部表情和动作，这种互惠自发的协调活动在日常社交活动中起着微妙但不可或缺的作用。尽管在社交活动中自发模仿对方的面部活动对于正常人来说很自然的事情，但有社交困难的自闭症患者却通常不会这么做。
因此，如果能够准确量化一个人在社会交往中协调的面部活动，也许就可以判断这个人是否患有自闭症或有患自闭症的风险。
Robert Schultz（费城儿童医院自闭症研究中心主任）和研究团队开发出一款用于同时记录对话双方互相交换的360个面部信号（例如嘴角如何移动）的摄像机系统，用算法分析这些信号在对话双方中的协调程度，并以此推断或预测参与一方（另一方为研究人员）是否为自闭症患者。
3分钟自闭症诊断
参与者（17 名自闭症成人和27 名正常成人）与陌生的研究人员进行一段3分钟非结构化的“了解您（get to know you）”的对话。
在对话过程中，研究人员不主动发起话题，且讲话时间不超过50％。
通过特殊设计的“TreeCam”捕捉双向互动：两个同步的高清视频摄像机指向相反的方向（面向对话双方）。
使用计算机视觉和机器学习自动量化二元面部协调程度。面部动作被捕获为一组180个独立的区域“基准”，其中基准代表每个人的面部动作的时间序列（例如，嘴角）。通过计算对话双方的时间序列的相关来量化两人的二元面部协调程度。
结果
在初始样本中，该方法对自闭症和正常人的分类准确率高达88.6%，在验证样本中（17名自闭症和13名正常成人），这一分类准确率为86.7%。在初始样本中，自动的计算机预测比专家（9人）和非专家（11人）预测的准确率更高（计算机、专家和非专家预测的准确率分别为87%、82%和77%）。
结论
通过量化分析对话双方面部表情的协调程度可以准确地区分正常人和自闭症患者（准确率高达88.6%）。
从自然对话的简短视频中自动分析对话双方面部表情的协调程度，这一方法有望成为自闭症研究和诊断的重要新工具，为自闭症诊断和社会交流评估增加粒度和可扩展性。
内容来源：https://insar.confex.com/insar/2019/webprogram/Paper29593.html
微信客服
微信公众号
