基于眼动的自闭症谱系障碍分类中的预处理与方案敏感性：一项多随机种子参与者层面评估

《Biomedical Signal Processing and Control》：Preprocessing and protocol sensitivity in eye-tracking-based ASD classification: A multi-seed participant-level evaluation

　　

摘要 基于眼动的孤独症谱系障碍（ASD）分类对缺失值、眨眼伪影、不均衡的受试者产出、随机训练以及受试者级别评估设计非常敏感。我们使用 Cilia 等人发布的 57 名儿童（27 名 ASD，30 名正常发育（TD））数据集，评估了一个生理感知的预处理框架。使用纯长短期记忆网络（LSTM）、CNNLSTM 和 AttentionNet 分析了七个凝视通道和七个配对的缺失值掩码，并在严格的留一受试者外验证下进行。五个全局种子（42–46）控制流程，并在每个外部折叠中进行确定性重置。在固定的 1000/500 毫秒窗口和预设的全预处理参考下，AttentionNet、CNNLSTM 和 PureLSTM 的平均受试者级别准确率分别为 76.49%、75.79% 和 74.39%。12 个全预处理对比消融或 3 个模型成对对比中，没有任何一个交叉种子 - 受试者自助法 95% 置信区间排除零。对于 AttentionNet，全预处理减去无过滤的准确率差异在固定窗口下为 +2.81 个百分点（95% 置信区间，?5.61 到 10.88；五个种子中有四个全预处理更高），但在嵌套选择后为 ?1.05 个百分点（95% 置信区间，?9.82 到 7.37；五个种子中有三个全预处理更高）。嵌套全预处理准确率为 76.84%、75.79% 和 75.09%，嵌套对比固定的差异不确定。虽然在 76%–80% 的嵌套折叠中选择了 1000/500 毫秒，但在超过 80% 的情况下发生了验证平局，部分反映了较小窗口的平局打破规则。这些结果支持可重复性和协议敏感性分析，而非全预处理或注意力机制的统一优越性。未评估外部效度。

引言 孤独症谱系障碍（ASD）是一种神经发育状况，其特征是非典型的社会注意力和凝视行为。由于目前的筛查和诊断严重依赖行为观察和专家评估，人们对能够支持更早分诊的客观、非侵入性生物标志物表现出浓厚兴趣。在此背景下，眼动追踪特别吸引人，因为它能够在标准化观看任务期间以高时间分辨率捕获连续的视觉定向、瞳孔动力学和扫描行为。与基于问卷或手动评分的筛查工作流程相比，眼动追踪产生密集的时间解析测量值，可以进行计算处理并在受试者之间进行系统比较。

大量关于从眼动数据进行 ASD 分类的计算工作使用了手工制作的注视统计、感兴趣区摘要或异构的分割协议。刘等人使用眼动特征和机器学习分类器来识别患有 ASD 的儿童，说明了经典的摘要特征方法，而韩等人的系统综述和荟萃分析记录了更广泛文献中队列、特征、模型和验证程序的大量变化 [1], [2]。这些选择引入了两个潜在局限性。首先，手动特征工程可能通过将长录音折叠成少量摘要变量而丢弃短暂但具有诊断相关性的时间结构。其次，如果同一受试者的多个窗口同时出现在训练集和测试集中，性能估计可能会因受试者重叠而非真正的泛化而被高估。这个问题在眼动追踪中尤为重要，因为单个受试者可以贡献许多高度相关的窗口。最近基于卷积神经网络（CNN）和 LSTM 的序列模型提供了一种直接从最少处理的凝视信号中学习的方法，而注意力机制可能提供一种更可解释的时间聚合策略。

本研究评估了一个受试者级别的眼动分类流程，而不是将最终的神经网络分类器作为唯一的贡献。使用公开可用的 Cilia 等人数据集，我们分析了 57 名儿童（27 名 ASD，30 名 TD）观看静态和动态刺激的情况，并用七个凝视特征和七个对应的掩码通道表示每个时间步。该流程结合了生理感知的预处理、滑动窗口序列建模、受试者级别预测聚合、仅验证阈值选择和严格的留一受试者外评估。PureLSTM、CNNLSTM 和 AttentionNet 用作同一预处理流程的受控下游探针。它们的作用是测试数据质量处理是否具有一致或依赖于架构的效果，而不是建立一种新的普遍优越的神经网络架构。

这种框架重要原因有两个。首先，眼动数据集具有强烈的嵌套结构：从同一受试者提取了许多时间重叠的窗口，而这些窗口远非独立观察。因此，如果评估分割是在窗口级别而非受试者级别进行的，看似强大的分类器可能看起来比实际更好。其次，儿科眼动数据可能包含大量缺失值、眨眼伪影和不均衡的受试者产出。在这种情况下，预处理和训练控制决策不仅仅是实现细节；它们影响模型实际上被允许从什么信号中学习。

本文的贡献围绕三个主题组织：
1. 一个可重复的儿科眼动信号质量框架。我们不提出新的眨眼处理、插值、质量过滤或缺失值编码算法。相反，我们将这些源于文献的操作组织成一个共同流程，该流程可重复、显式可消融，并适用于受试者级别配对推断。确切的扩展区间和质量阈值是依赖数据集的设置，而非普遍的生理常数。
2. 多种子预处理敏感性分析。我们在共同的固定窗口 LOSO 协议下比较 AttentionNet、CNNLSTM 和 PureLSTM，并在五个流程级别种子中重复每个预处理条件，并进行特定折叠的种子重置。这种受控分析量化了效应方向和不确定性，而不将全预处理视为经验上最优或选择有利的种子。
3. 受试者级别和窗口选择稳健性分析。我们将窗口概率聚合为受试者级别决策，仅使用验证受试者选择阈值，并在相同的五个全局种子中重复嵌套选择四个候选窗口。固定协议隔离预处理条件，而嵌套协议测试在引入窗口选择规则后其方向是否持续。

综上所述，这些贡献扩展了几条互补的证据线。Khalaji 等人表明眼动表示和预处理选择可以改变 ASD 分类，Wang 等人表明数据丢失的不同原因可能携带结构化的行为信息而不产生统一诊断组效应，Guo 等人展示了具有显式数据丢失特征的受试者分组 Transformer 学习，Zhong 等人表明刺激选择在受试者级别评估下可以跨模型泛化 [3], [4], [5], [6]。这些研究都没有在一个严格的 LOSO 协议下隔离本组信号质量操作跨越时间架构。逐项研究协议比较、特征定义、训练设置、统计细节、额外结果可视化和示意图准备披露在补充部分 A.1–A.5 中提供。

部分片段
眼动追踪与计算 ASD 筛查
眼动追踪研究报告了 ASD 中非典型的社会注意力，包括对眼睛的注意力减少和对社会相关线索定向的改变。Jones 等人将早期眼神接触模式与后来的社会残疾联系起来，而 Chita-Tegmark 的荟萃分析综合了更广泛的证据，表明在眼动追踪范式下社会注意力发生改变 [7], [8]。这些发现激发了计算筛查的动力，但也暴露了一个测量问题：儿科记录通常

数据集
我们使用了 Cilia 等人（2022 年）[25] 发布的公开可用眼动数据集，包含患有 ASD 的儿童和年龄匹配的正常发育（TD）对照者观看静态和动态视觉刺激的记录。元数据中列出的两名参与者（PIDs 12 和 16）在原始记录中缺失，且额外标记为“未识别（正）”或“未识别（负）”的片段无法与已验证的参与者匹配。为了保持受试者独立评估，所有不可验证的记录均被

固定窗口多种子预处理敏感性
固定的 1000 毫秒/500 毫秒协议保持时间表示恒定，以便在匹配的外部折叠、受试者级别训练/验证分割、折叠种子、训练预算、聚合和阈值选择下比较预处理条件。“全预处理”指预设的参考配置——PCHIP 插值、扩展眨眼掩码、双阈值过滤和掩码特征——并不意味着经验上最优的处理。表 2 报告了平均

讨论
主要结果是方法论的而非架构的。严格的折叠级重新播种表明，预处理和模型差异相对于其不确定性很小，并在架构和种子之间改变方向。固定窗口实验仍然有用，因为它在保持时间表示恒定的同时比较预处理条件，但其 12 个全预处理减去消融的置信区间中没有一个排除零。嵌套实验解决了一个不同的问题：

结论
本研究评估了一个生理感知的、受试者级别的眼动追踪框架，在严格的留一受试者外验证和五个折叠重新播种的流程运行下。在受控的固定 1000 毫秒/500 毫秒协议下，全预处理对于 AttentionNet、CNNLSTM 和 PureLSTM 产生的平均准确率分别为 76.49%、75.79% 和 74.39%。在嵌套窗口选择下，相应的平均值分别为 76.84%、75.79% 和 75.09%。所有全预处理对比消融、模型以及嵌套对比固定

CRediT 作者贡献声明
刘子正：写作 – 初稿，可视化，软件，方法论，调查，概念化。李慧勇：写作 – 审查与编辑，验证，方法论，调查。赵娜：写作 – 审查与编辑，可视化，调查，数据整理。杨武道：写作 – 审查与编辑，监督，资源，项目管理，方法论，数据整理，概念化。

手稿准备过程中生成式 AI 和 AI 辅助技术的声明
在本工作的准备过程中，作者使用了 OpenAI Codex 进行语言编辑、LaTeX 格式化支持和初步一致性检查。这些检查将报告的数值结果与底层的实验日志和表格进行比较，特别是针对预处理消融、多种子、嵌套窗口和受试者平衡分析。这种使用仅限于验证已由作者实验代码产生的数字。作者还仅使用 GPT Image 2 来探索

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本论文中报告的工作。

致谢
这项工作得到了中国大学生创新创业训练计划的支持（批准号 202510673005）；中央引导地方科技发展专项资金（批准号 202407AB110003）；云南省科学技术厅重大专项（批准号 202402AA310056；子项目批准号 202402AA310056-04）；以及云南省智能融合国际联合实验室及

刘子正 | 李慧勇 | 赵娜 | 杨武道
计算机系，数学与计算机科学学院，云南民族大学，中国昆明呈贡区悦华街 2929 号，650504。