学海网

婴儿玩玩具行为中自闭症谱系障碍早期迹象的数据获取和初步识别，硕士学位论文，共69页。
摘 要
自闭症谱系 障碍在世界范围内有着非常高的发病率 (大约每 88儿童中就有 1名病患，来自 2012年 US CDC报告 )，可表现为社会交流障碍、口头语言及非 口头语言交流障碍和重复刻板行为，并可能伴随终身。其对儿童严的影响使家属们倍感忧虑。由于病因尚未有定论，自闭症谱系障碍的发生目前仍无可避免。但有一点可以肯定，自闭症谱系障碍发现得越早儿童能通过治疗回归正常的生活。
为了觉察到自闭症谱系障 碍的早期迹象，当今高速发展传感器网络提供 了一种较为有效的方案 ，我们将在本文中进行介绍。即使用传感器收集婴儿正 在玩耍的具数 据,然后 在计算机中进行分析。一般来说，患有自闭症的儿童 比其他儿童表现出更多的非功能性、重复 性地玩耍具。
数据会首先通过低功耗蓝牙传输和储存在 手机中，使采集可以轻易幼儿园或者婴的家中进行，同时降低设备费用。在试验我们将德州仪器公司的 CC2541 SensorTag安置在玩具中收集加速度 等数据，并开发 Android手机平台软件对数据进行采集和存储 。
为了获得更多有效信息，我们将尝试对数据进行挖掘和机器学习分类。婴 儿玩耍具的方式有极大随机性和不确定。无外界干扰实验环境中 ， 婴儿很难重复进行相同的动作。这给定义正在不为，确些行为变化的时间边界以及增加动作样本数量带来了极大困难。因此，我们建立了不同细度的活动分类模型，并使用决策树。在对婴儿玩耍具进行了若干次实验后，在计算机中建立滑窗将数据按时段分割成为大量独样本，并将人工样与活动名称对应。
受传感器的频率所限，实验主要利用加 速度三轴分量、合速度与三轴的夹角以及时域特征。决策树被用于将活动一步细分C4.5决策树、 支持向量机等监督式算法 被测试用于分类 ，最终采用 了 RBF核的 支持向量机 。因样本数量有 限，实验中采用多折交叉检法确定分类算的效性。实验结果为 ，能识别是否静止的概率大约93%，识别推拉小车的行为 的概率大约为 79%。
实验中我们识别到儿童独自 玩耍时所发生的行为，将交予医学专家进闭症谱系障碍早期迹象的相关研究。
关键词： 自闭症谱系障碍；传感器数据收集；行为识别