综述：基于信号建模与计算智能的自闭症谱系障碍情绪识别研究进展：系统综述与临床潜力

这篇系统综述聚焦计算智能（CI）在自闭症谱系障碍（ASD）情绪识别（ER）中的创新应用，通过分析68项研究（遵循PRISMA指南），系统评估了基于生理信号（EEG/ECG/GSR/眼动追踪）和行为信号（面部表情/语音）的多模态建模策略，揭示了当前ASD特异性数据集匮乏、模型泛化性受限等挑战，并展望了自适应多模态融合、人机协同学习等临床转化方向。

　　

Abstract

基于计算智能的情绪识别系统正成为解析复杂情绪反应的有力工具，尤其适用于自闭症谱系障碍（ASD）等临床人群。ASD患者表现出非典型的情绪感知与表达模式，严重影响其社会功能与生活质量。本综述系统分析了68项生物医学信号驱动的ASD情绪识别研究，重点关注利用计算智能解析生理信号（如EEG、ECG、皮肤电反应、眼动追踪）和行为信号（如面部表情、语音特征）的技术进展。研究揭示了当前领域三大瓶颈：依赖神经典型人群数据导致的模型泛化性不足、ASD特异性多模态信号资源匮乏，以及实时临床部署困难。突破方向包括自适应多模态融合框架、人机协同学习机制，以及计算模拟与临床流程的整合。

Introduction

ASD作为一种神经发育障碍，其核心特征包括社交互动缺陷和情绪调节异常。研究表明，约1%人群受ASD影响，患者常面临基础情绪（如快乐/恐惧）识别困难。传统情绪识别系统（HER）多基于神经典型人群数据开发，且过度依赖面部信号，忽视了语音语调、情境语境等关键特征。值得注意的是，现有ASD情绪研究存在术语使用混乱（如"自闭症"与"高功能自闭症"混用）、生理信号采集标准化不足等问题。Plutchik情绪轮理论为情绪分类提供了框架，将核心情绪归纳为喜悦、悲伤、愤怒等八种基本类型，其强度呈现同心圆分布特征。

Section snippets

Methods

严格遵循PRISMA 2020指南的系统评价显示，29%的研究聚焦AI算法开发，另有部分研究致力于辅助应用开发（如情感训练游戏）。信号采集方式呈现多元化趋势：

• 生理信号：EEG（占比最高）、ECG、GSR构成三大主流模态

• 行为信号：面部动作编码系统（FACS）与语音韵律特征最常用

  机器学习方法中，支持向量机（SVM）和随机森林表现稳健，而深度学习在跨模态关联挖掘中展现优势。

Findings

研究发现两大矛盾现象：

1. 术语标准化缺失：42%研究未明确区分ASD亚型

2. 数据代表性偏差：68%的生理信号数据库源自神经典型人群

   临床转化面临三重障碍：

   • 实时信号处理延迟（平均>200ms）

   • 个性化适配不足（仅12%研究涉及年龄分层建模）

   • 伦理审查缺失（23%研究未声明知情同意）

Conclusion

计算智能驱动的情绪识别技术为ASD干预提供了新范式，但必须突破三大瓶颈：

1. 建立ASD专属多模态数据库（需涵盖ECG_HRV、EEG_θ/γ波段等特征）

2. 开发情境感知的轻量化模型（推荐使用联邦学习保护隐私）

3. 构建医工交叉验证平台（建议整合VR模拟与真实场景数据）

   未来研究应重点关注情绪-语言共变机制，这对改善ASD患者的社交沟通障碍具有关键意义。