ANÁLISE DE PROCESSAMENTO VISUAL E APRENDIZADO DE MÁQUINA NO DIAGNÓSTICO PRECOCE DO TEA USANDO RASTREAMENTO OCULAR

Resumo

Este estudo não clínico explora a eficácia do processamento holístico no reconhecimento facial e a aplicação de sistemas de rastreamento ocular no diagnóstico do Transtorno do Espectro Autista (TEA). São adotadas três abordagens: Faces Compostas, Part-to-Whole e Efeito de Inversão, destacando a importância de análises holísticas para um reconhecimento facial eficiente.

A pesquisa utiliza sistemas de rastreamento ocular baseados em câmeras, notáveis por sua abordagem não invasiva e precisão em detectar movimentos oculares específicos. Empregam-se o software OGAMA® e ferramentas de mineração de dados como o Orange Canvas para analisar métricas oculares. A metodologia inclui a identificação, armazenamento e processamento de variáveis oculométricas usando algoritmos de aprendizado supervisionado para prever padrões comportamentais em indivíduos com TEA.

Os experimentos realizados demonstraram a eficácia da metodologia proposta. Dados de referência foram utilizados para validar as descobertas, e técnicas de aprendizado de máquina foram empregadas para diferenciar indivíduos com TEA, destacando-se as Redes Neurais como o algoritmo mais eficaz.

Conclui-se que a combinação de rastreamento ocular com mineração de dados oferece insights valiosos para o diagnóstico e compreensão do TEA, abrindo novas possibilidades para a pesquisa em processamento holístico e contribuindo significativamente para as áreas de psicologia, medicina e tecnologias assistivas.

DOI:https://doi.org/10.56238/sevened2024.031-008