Detalhes bibliográficos
Ano de defesa: |
2020 |
Autor(a) principal: |
Cardoso, Thiago Victor |
Orientador(a): |
Não Informado pela instituição |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: |
|
Link de acesso: |
https://www.teses.usp.br/teses/disponiveis/100/100131/tde-14122020-231950/
|
Resumo: |
O uso do Eye Tracking (ET) tem sido investigado como mecanismo auxiliar para diagnóstico do Transtorno do Espectro Autista (TEA). Por meio de imagens estáticas ou vídeos usados como estímulo, o olhar é rastreado e os dados obtidos são analisados por técnicas diversas. Um dos paradigmas investigados usando ET é a Atenção Compartilhada (AC), a qual refere-se a momentos em que indivíduos estão focados no mesmo alvo, de modo que ambos estão cientes que o foco de atenção é compartilhado. As ferramentas computacionais que visam auxiliar o diagnóstico de TEA têm utilizado técnicas de Processamento de Imagens e Aprendizado de Máquina para processar imagens, vídeos e sinais de ET. No entanto, o paradigma de AC ainda é pouco explorado e apresenta desafios, pois é necessário analisar a trajetória do olhar, exigindo abordagens inovadoras. O objetivo deste projeto é propor um modelo capaz de extrair características de um vídeo usado como estímulo para verificar a AC e classificar indivíduos como pertencentes ao grupo TEA ou Desenvolvimento Típico (DT). O principal diferencial em relação às abordagens da literatura é a definição e implementação do conceito de Regiões de Interesse flutuantes, que possibilitam o acompanhamento do olhar em relação a um objeto, considerando a sua semântica, mesmo que o objeto apresente características distintas ao longo do vídeo. Um modelo baseado em Comitê de Máquinas usando o algoritmo Random Forest foi implementado para classificar indivíduos como TEA ou DT usando as características de trajetória extraídas dos sinais de ET. O método alcançou 0,75 de acurácia e 0,82 de F1-score, indicando que a abordagem proposta, baseada em trajetória e AC, apresenta potencial para aplicação no auxílio ao diagnóstico de TEA |