Automated detection of austim spectrum disorder via eye-tracking and artificial neural networks : designing a decision support system - Archive ouverte HAL Access content directly
Theses Year : 2020

Automated detection of austim spectrum disorder via eye-tracking and artificial neural networks : designing a decision support system

Détection automatisée du trouble du spectre de l'autisme via eye-tracking et réseaux de neurones artificiels : conception d'un système d'aide à la décision

(1)
1

Abstract

The Computer Sciences and Psychology fields are very far from each other. However, some needs in Cognitive Psychology (CP) can be satisfied through the use of Artificial Intelligence (AI), in particular its connectionist approaches. There are a few uses of AI principles in CP, but they are quite inconspicuous. In particular, the case of the diagnosis support applied to Autism Spectrum Disorder (ASD) is a blank slate, with a few exceptions. As some work in CP show a great difference between some autistic traits and the ability to focus, notably visually, we have worked on data from an Eye-Tracker to try and detect young children with ASD apart from others without ASD of equivalent age. This data is of two distinct formats, on one hand based on the strict recording of the eyes positions on the screen (2 dimensions) and from the screen (3 dimensions), and on the other hand based on an automatic analysis of the eye sight dynamics. These two data types are digital models of information, generally read via a graphical plot over a video, by CP experts while observing their participants. The work in this thesis have focused on the application of various data modifications (presented as images, with a dimension reduction or statistics). It used various AI models (Artificial, Recurrent and Convolutional Neural Networks) to produce detection support techniques. Then, we have applied a weighted mean over these results to increase the precision of this detection support technique. Through the work conducted in this thesis, various approaches have been tried, keeping as a common element the neural networks as learning tool. Starting with a study about eye focus event and LSTM, we continued with ocular recorded raw data and a image-based modeling, used with a CNN. After applying PCA on these images, this data are also used with a simple ANN, with enhanced results. Then, a statistical study aims for the study of correlation between the values recorded by our Eye-Tracking device, the correlation are then given to an ANN to reach the highest results of this work. Finally, we tried to gather the information of some of these models to improve the obtained results once more.The best of our results allowed to produce a ROC curve with an AUC reaching 95%, which allow to think about an almost perfect support, given we could add some data used in manual diagnosis, and a complete freeing of the experts' time to enable a total focus on the setup of the child's support and his/her closer following. Moreover, the opportunity of an earlier child diagnosis can help better reducing the child's neurodevelopmental delay. None of these models are perfect. Still, there is to be noted that the diagnosis is never made, in practice, with the sole Eye-Tracking related data. Aiming to constitute a diagnosis support system, it essentially serves as a guiding tool for the professional in his/her work and to free a part of his/her time
Les domaines de l'Informatique et de la Psychologie sont très éloignés. Cependant, certains besoins en Psychologie Cognitive (PC) peuvent être satisfaits par l'exploitation de l'Intelligence Artificielle (IA), en particulier ses approches connexionnistes. Il existe quelques applications des principes d'IA en PC, mais elles sont relativement discrètes. En particulier, le cas de l'aide à la détection du Trouble du Spectre de l'Autisme (TSA) est un domaine vierge, à quelques exceptions près. Des travaux en PC montrant une grande dissociation entre certains traits autistiques et la capacité de concentration, notamment visuelle, nous avons travaillé sur des données issues d'un Eye-Tracker pour tenter de discerner de jeunes enfants atteints de TSA d'autres enfants d'âge équivalent. Ces données sont de deux formats distincts, basées sur le relevé strict des positions des yeux sur l'écran (en deux dimensions) et par rapport à l'écran (en trois dimensions) d'une part, et basée sur une analyse automatisée de la dynamique du regard d'autre part. Ces deux types de données sont des modélisations numériques d'informations, lues en général via un tracé graphique sur une vidéo, par les experts en PC lors de l'observation de leurs participants. Les travaux de cette thèse ont porté sur l'application de diverses modifications sur les données (présentation sous forme d'images, réduction de dimensionnalité, approches statistiques). Ils ont exploité divers modèles d'IA (Réseaux de neurones artificiels, récurrents et convolutifs) afin de produire des techniques d'aide à la détection. Nous avons ensuite appliqué une moyenne pondérée des résultats de nos approches pour obtenir une technique d'aide à la détection encore plus précise. Dans le cadre des travaux poursuivis dans cette thèse, plusieurs approches ont été essayées, prenant les données comme élément de continuité et les réseaux de neurones comme outil d'apprentissage. Commençant par une étude des événements de concentration oculaire et des LSTM, nous avons continué avec les données brutes de suivi oculaire et une modélisation sous forme d'images, traitée avec un CNN. Après application d'une PCA sur ces images, ces données sont également traitées par un simple ANN, avec des résultats supérieurs. Une étude statistique vise ensuite à étudier la corrélation entre les valeurs relevées par notre outil d'Eye-Tracking, ces valeurs de corrélation sont alors fournies à un ANN pour atteindre les plus hauts résultats de nos travaux. Enfin, nous avons cherché à mettre en commun les informations de certains de ces modèles afin d'améliorer encore les résultats obtenus. Le meilleur de nos résultats permet d'obtenir une courbe ROC dont l'AUC atteint les 95%, ce qui permet d'envisager, avec l'ajout de données supplémentaires utilisées en diagnostic manuel, une aide presque parfaite et une libération complète du temps de l'expert pour permettre une totale concentration sur la mise en place d'une aide pour l'enfant et le suivi au plus près de celui-ci. Par ailleurs, l'opportunité d'un diagnostic au plus tôt de l'enfant permet de réduire au mieux le retard neurodéveloppemental de l'enfant. Aucun de ces modèles n'est parfait. Il reste cependant à noter que le diagnostic n'est jamais fait, en pratique, sur les seules données liées à l'Eye-Tracking. Visant à constituer un système d'aide au diagnostic, il sert principalement à guider le professionnel dans son travail et à lui libérer une partie de son temps
Fichier principal
Vignette du fichier
TheseCarette.pdf (4.41 Mo) Télécharger le fichier
Origin : Version validated by the jury (STAR)

Dates and versions

tel-03626269 , version 1 (31-03-2022)

Identifiers

  • HAL Id : tel-03626269 , version 1

Cite

Romuald Carette. Détection automatisée du trouble du spectre de l'autisme via eye-tracking et réseaux de neurones artificiels : conception d'un système d'aide à la décision. Autre [cs.OH]. Université de Picardie Jules Verne, 2020. Français. ⟨NNT : 2020AMIE0025⟩. ⟨tel-03626269⟩
90 View
67 Download

Share

Gmail Facebook Twitter LinkedIn More