FenixEdu™

Dissertação

{en_GB=Gaze Analysis in Robotic Therapy for Autistic Children} {} EVALUATED

Detalhes: {pt=Esta tese tem como objetivo desenvolver um modelo quantitativo para avaliar a atenção, através do olhar, de crianças com autismo, durante sessões terapêuticas com Robôs-Socialmente-Assistivos (SARs). Crianças com autismo apresentam graves défices de atenção que dificultam a sua capacidade de aprender novas competências. A avaliação automática da sua atenção forneceria aos terapeutas um biomarcador importante para quantificar melhor o seu comportamento e monitorar o progresso/evolução. Estudos anteriores focaram-se em tarefas de interação humano-computador, com dispositivos baseados em ecrãs, que distrairiam o sujeito em protocolos terapêuticos com SARs. A abordagem da tese combina a extração do olhar com a definição de Áreas-de-Interesse (AOIs), para caracterizar os períodos de atenção durante a sessão. A metodologia foi testada em crianças com autimo. Visto que extrair o olhar de imagens ópticas é bastante desafiante, vários métodos foram avaliados. O Gaze360, que depende de imagens da cara e aprendizagem-automática, provou ser o mais robusto. Para cada alvo (terapeuta, sujeito, robô), o tamanho horizontal/azimute da AOI (angular) foi definido usando duas alternativas: uma abordagem-geométrica que combina as dimensões dos alvos com o ruído estimado do Gaze360, e uma abordagem-de-aprendizagem. Tendo cada alvo associado a uma gama de ângulos-de-fixação, as estimativas do olhar são utilizadas para classificar o foco-de-atenção do sujeito. As nossas experiências mostram que a abordagem-de-aprendizagem supera a abordagem-geométrica, alcançando uma exatidão acima de 82.0%. Por fim, vale mencionar que os terapeutas compreenderam os indices-de-atenção propostos e consideraram-nos alinhados com a sua própria avaliação, um estímulo para o futuro uso clínico do método proposto., en=This thesis aims to develop a quantitative model, using eye-gaze information, to evaluate the attention-response of children with Autism Spectrum Disorder (ASD), during therapeutic sessions with Social-Assistive Robots (SARs). ASD children show severe attention-deficits that hamper their ability to learn new skills. The automatic assessment of their attention-response would provide the therapists with an important biomarker to better quantify their behavior and monitor their progress/evolution. Previous attempts to quantify the attention-response of autistic subjects have focused on human-computer interactions tasks, with screen-based devices, that would distract the subject in therapeutical protocols with SARs. The thesis approach combines gaze extraction with the definition of context-dependent Areas-of-Interest (AOIs), to characterize periods of attention during the session. The methodology was tested with ASD children. Since extracting eye-gaze from optical-images is quite challenging, different methods were benchmarked. The Gaze360, which relies on image face-datasets and machine-learning, proved to be the most robust. For each target (therapist, subject, robot), the AOI (angular) horizontal/azimuth size was defined with two alternatives: a geometrical-approach combining the target’s dimensions and the estimated Gaze360 noise, and a learning-approach. Once each target is associated to a range of fixation-angles, the eye-gaze estimates are used to classify the subject’s focus-of-attention. Our experiments show that the learning-approach outperforms the geometrical-approach, achieving an accuracy above 82.0%. Finally, it is worth mentioning that the therapists understood the proposed attention-indices and found them aligned with their own evaluation of those subjects, an encouragement towards the future clinical use of the proposed system.}
Keywords: {pt=Perturbações do Espectro do Autismo (PEA), Robôs-Socialmente-Assistivos (SAR), Atenção, Detecção do Olhar, en=Autism Spectrum Disorder (ASD), Social-Assistive Robots (SAR), Attention, Gaze tracking}

Discussão: novembro 30, 2021, 8:0