基于跨注意力多模态Transformer的自闭症谱系障碍儿童语言康复自适应干预研究

来自塞浦路斯的研究人员开展了一项针对自闭症谱系障碍（ASD）儿童语言发育问题的跨学科研究，通过融合音频、视频和文本的多模态深度学习模型（含跨注意力融合机制和分层Transformer架构），实现了个性化康复干预。该研究采用自监督预训练和数据增强策略，显著提升了语言康复的准确性、患者参与度和治疗效果，为智能康复系统的发展提供了新范式。

　　

针对自闭症谱系障碍（Autism Spectrum Disorder, ASD）儿童存在的并发性语言发育水平变化问题，一项基于替代性与增强性沟通系统（Alternative and Augmentative Communication, AAC）的跨学科研究在塞浦路斯展开。该研究指出，言语与语言康复对因神经系统疾病、发育迟缓或身体残疾导致沟通障碍的人群至关重要。借助深度学习技术，团队开发了一种改进的多模态康复管道，整合音频、视觉及文本信息，从而实现适应患者个体差异的定制化治疗。

该技术采用跨注意力融合多模态分层Transformer架构模型，能够协同建模语音声学特征、面部动态、唇部运动 articulation 与语言上下文。为克服患者队列规模有限和个体间变异大的挑战，研究采用了大规模无标注语料库上的自监督预训练策略，并结合数据增强进行领域自适应微调。低延迟推理架构可提供实时反馈与个性化治疗参数调整。

临床与合成测试结果表明，该模型在准确性、患者参与度和可量化的治疗收益方面均优于单模态及传统融合基线方法。这些发现揭示了利用智能多模态深度学习系统重塑言语与语言康复技术未来的巨大潜力。