来源： 编辑：博润视动 发布时间：2024-04-09
本文介绍使用眼动追踪技术来进行自闭症谱系障碍（ASD）的儿童的辅助诊断，本文的亮点在于有效的使用了眨眼检测来进行辅助判断过程，也进行了大量被试（230名儿童）的眼动数据追踪过程。Autism Research影响因子：4.7分。
摘要：
已有的研究表明，有一些患有自闭症谱系障碍（ASD）的儿童对世界的看法不同。本研究中，我们分析了在自然观看电影过程中进行眼动追踪测量扫视和眨眼的时间随机性，探讨了一个大型眼动追踪数据集，其中包含 189 名 ASD 和 41 名正常发育 （TD） 儿童（1-11 岁），他们观看了三个带有社交内容的电影片段，每个片段重复两次。我们发现，与TD组相比，ASD组从扫视间期（ISI）和眨眼持续时间分布的伽马参数中获得的随机性的动眼神经测量值显着更高，并且与ADOS比较评分相关，反映出在更严重的情况下“随机性”增加。此外，这些随机性测量随着年龄的增长而降低，并且两组的认知得分都较高，并且在重复观看每个电影片段时是一致的。自闭症儿童的高度“随机”眼球运动可能与高“神经变异性”或噪音、感觉运动控制差或对电影的参与度低有关。这些发现可能有助于动眼神经生物标志物的未来发展，作为ASD综合诊断工具的一部分。
介绍
眼球运动提供了关于感觉、知觉、认知和运动大脑过程的丰富信息来源，这些过程控制着各种主观和非主观行为。因此，它们已在自闭症谱系障碍 （ASD） 患者中进行了广泛的研究。早期的ASD眼动追踪研究集中在与社交互动相关的凝视模式上。在目前的研究中，我们将Torres等人（2013）的“伽马拟合”分析应用于来自230名自然观看短视频片段的儿童的大型眼动追踪记录数据集。这些数据的一部分已经被报告自闭症幼儿特殊凝视模式（Avni 等人，2020 年）和典型基本动眼神经功能（Avni 等人，2021 年）的研究所使用。在这里，我们扩展了前面的分析，以检查扫视时间（扫视间隔）和眨眼特性的随机性。我们的结果与Torres等人（2013）和Torres和Denisova（2016）在检查手和头部的微运动时获得的结果惊人地相似，包括与严重程度的相关性，以及允许敏感分类的组差异。
方法
被试
共有 230 名儿童，平均年龄 4.50 岁 （SD = 2.00）：N = 189 名根据 DSM-5 标准被诊断患有 ASD 的儿童，N = 41 TD。所有的孩子都接受了常规的眼科检查，视力正常。
刺激和程序
每部分由3部具有社会内容的电影组成：（a） 自然主义（Nat）：未经编辑的家庭录像，展示的是两姐妹在家庭房间里的日常互动；配乐是希伯来语;（b） “Jungle-Book”（JB）：迪士尼卡通电影原版的一个场景，歌曲是“我想像你一样”；背景展示了许多细节，猴子跳舞和唱歌，配上英文配乐;（c） “Jack-Jack Attack”（JJ）：皮克斯动画电影中的一个场景，其中一名保姆与一名具有超自然力量的婴儿互动，配乐为英语。每部电影的长度为1.5 分钟，并呈现两次，总共 6 部电影，按固定顺序，每次大约10 分钟，包括电影之间的校准任务（有 9-10 个目标位置）。
采集设备
年幼的孩子坐在有带的安全座椅上。屏幕尺寸为 32 × 27 厘米，分辨率为 1280 × 1024 像素，频率为 60 Hz，通过可调节的手臂固定在墙上，以便被试可以将头靠在椅子上以减少头部运动；坐姿距离为60厘米。使用EyeLink 1000 plus眼动追踪系统的遥测模式进行（SR Research，加拿大）记录眼动数据，采样率为500 Hz，使用头部贴纸模式用于头部追踪。EyeLink摄像头位于显示屏下方。所有记录都是从左眼完成的。在每次block之前都使用五点校准。
数据分析
扫视检测
使用（Engbert&Kliegl，2003）的算法检测扫视。为了能够很好地检测扫视，在扫视提取前，使用局部线性回归拟合（LOWESS 方法）对数据进行平滑处理，大小为 25 ms。包含的扫视振幅范围为 0.08°–40°（以确保扫视不会超过屏幕尺寸），最大速度低于 1000°/秒，并应用了 9 毫秒的最小持续时间限制。检测到扫视后，我们计算了从扫视开始到下一次扫视发作的扫视间期 （ISI）。我们删除了短于 50 ms 的 ISI，并将剩余的 ISI 与 gamma 函数拟合。此外，我们计算了每个电影片段的基本扫视属性，即扫视率计算为每部电影的扫视次数除以电影的记录长度（从包括检测到的眨眼周期在内的有效样本计算），平均扫视振幅计算为每个电影片段中扫视的角度位移， 平均扫视持续时间和平均扫视峰值速度。
眨眼检测
当瞳孔大小标记为零时，检测到眨眼事件。此外，我们还使用了 EyeLink 眨眼检测事件来增强将缺失数据周期识别为实际眨眼的可靠性。为了发现每次眨眼的开始和偏移，在每个缺失数据周期之前 100 ms和之后 150 ms的数据窗口中检查垂直轨迹。当垂直迹线在每次眨眼前后通过所选数据窗口的第 50 个百分位数时，检测到眨眼开始和偏移。此外，为了避免在记录期间误检眨眼，将上一次眨眼的结束时间和下一次眨眼开始时间短于 50 毫秒的眨眼合并为一个可能太长的眨眼时间段。超出250-700毫秒范围的闪烁被拒绝为可能的测量噪声（Yablonski等人，2017）。我们将根据上述标准提取的眨眼持续时间与gamma函数拟合。此外，我们还计算了每个短片片段的基本眨眼属性：眨眼率（眨眼次数除以每部短片的长度）、平均眨眼持续时间以及从眨眼开始到下一次眨眼开始计算的平均眨眼间隔 （IBI）。
结果
我们分析了被试在观看三种类型的短视频片段时眼动的时间方面。我们首先研究了基本的动眼神经参数，然后对扫视之间的时间间隔（扫视间间隔）和眨眼的持续时间进行了gamma分布分析。
基本扫视和眨眼特征
计算了基本扫视特性，包括平均扫视峰值速度、振幅、持续时间、速率和 ISI，并总结在表 1 中。之前对数据的一个子集进行了类似的分析（Avni 等人，2020 年），并在此处重复进行，以便与之前的发现以及伽马分布分析进行比较。如图所示，除了平均扫视间期（ISI）的弱群效应（F（1,227）= 4.48，p = 0.035，见表1，图S4a）外，基本扫视特性没有显示出显著的群体效应，在FDR校正后发现该效应不显著。然而，扫视幅度、持续时间和峰值速度显示出显着的电影效应，平均扫视持续时间具有显着的电影组相互作用（表1）。表1总结了基本的眨眼特性，显示了所有基本眨眼特性的显著群体效应，包括平均眨眼间隔（IBI）、眨眼持续时间和眨眼率;然而，在FDR校正后，发现IBI组效应不显著。
扫视间间隔的伽马分布
扫视间间隔（ISI）分布与伽马函数拟合，获得了两种测量：伽马形状和伽马尺度
眨眼持续时间的伽马分布
眨眼持续时间分布与伽马函数拟合;结果如图 3 所示。
更多数据详情，请参考原文链接
参考文献：
Ziv,
本文仅做学习分享使用，若有疑问及侵权，请后台联系我们！
上一篇：没有了
下一篇：没有了