AI引导的刺激发现与生成以优化自闭症面部情绪感知研究

arXiv cs.AI 论文
autism facial-emotion-perception ai-guided-stimuli generative-adversarial-network behavioral-phenotyping neurodiversity model-guided-framework

摘要

本文提出一个模型引导的框架，利用AI发现和生成面部情绪刺激，最大化自闭症与神经典型个体之间的感知差异，并证明群体差异集中在少数表情上。

arXiv:2607.08533v1 公告类型: 新 摘要: 理解自闭症与神经典型成年个体之间的感知差异，需要敏感、可靠且具有机制信息的行为测试。面部情绪感知是一个有用的测试案例，因为已有研究报道了两组间的差异，但结果因研究而异。本文表明，这种变异性可能反映了图像层面的稀疏性：自闭症与神经典型者在情绪判断上的差异集中在少数诊断性面部表情上，而非均匀分布在整个刺激集中。我们训练了人群特异性的人工神经网络模型，用于预测自闭症和神经典型参与者的图像级判断，然后利用这些模型选择预测能最大化组间分离的新面孔。在一个独立队列中，模型选择的图像比匹配的随机图像产生了更大的行为差异。随后，我们使用同样的模型结合生成对抗网络，将诊断性图像转换为预测的组间一致性更高的版本。在表型匹配的验证中，合成图像相对于其匹配的原图减少了行为分离。这些结果建立了一个模型引导的框架，用于发现和转换能够揭示人群特异性感知差异的刺激。更广泛地说，它们展示了行为表型分析如何从对固定刺激集的平均化转向优化测试，以识别神经多样性感知发散或趋同的条件。
查看原文
查看缓存全文

缓存时间: 2026/07/10 06:09 

# AI引导的刺激发现与生成优化自闭症面部情绪感知研究

来源：https://arxiv.org/abs/2607.08533  
查看 PDF (https://arxiv.org/pdf/2607.08533)

> 摘要：理解自闭症与神经典型成年人之间的感知差异，需要行为检测具有敏感性、可靠性和机制信息性。面部情绪感知是一个有用的测试案例，因为已有研究报道了群体差异，但不同研究的结果存在差异。本文表明，这种变异性可能反映了图像层面的稀疏性：自闭症-神经典型在情绪判断上的差异集中在少数诊断性面部表情上，而非均匀分布在所有刺激中。我们训练了群体特异性人工神经网络模型，用于预测自闭症和神经典型参与者在图像层面的判断，然后利用这些模型选择预测能最大化群体分离的新面孔。在一个独立队列中，模型选择的图像产生了比匹配的随机图像更大的行为差异。随后，我们使用相同的模型结合生成对抗网络，将诊断性图像转化为更有利于群体一致性的预测。在表型匹配验证中，合成图像相对于其匹配的原始图像减少了行为分离。这些结果建立了一个模型引导的框架，用于发现和转化能揭示群体特异性感知差异的刺激。更广泛地说，它们展示了行为表型分析如何从对固定刺激集进行平均，转向优化检测，以识别神经多样性感知在何种条件下产生分歧或趋同。

## 提交历史

来自：Kohitij Kar [查看邮件 (https://arxiv.org/show-email/70fa793c/2607.08533)]  
**[v1]** 2026年7月9日星期四 14:29:31 UTC (1,435 KB)

相似文章

生成学习作为提升情感身体运动表达感知的工具

arXiv cs.LG

本文研究使用基于Transformer的生成模型从日本演员的动作捕捉数据中学习情感身体运动，生成基于离散情感标签的运动。评估表明，生成的运动在用于数据增强时能提升情感识别性能，并实现情感强度间的平滑过渡。

ASD-Bench：用于自闭症谱系障碍的 AI 模型四维综合基准测试

arXiv cs.LG

本文介绍了 ASD-Bench，这是一个全面的基准测试，从预测性能、校准度、可解释性和鲁棒性四个维度评估用于自闭症谱系障碍（ASD）筛查的 AI 模型。该研究使用 AQ-10 数据分析了不同年龄组的多种模型，强调了在临床 AI 应用中采用多指标评估的重要性。

评估主动式对话智能体中的多模态情绪识别：一项用户研究

arXiv cs.AI

本文介绍了一个用于主动对话智能体的多模态情绪识别模块，该模块结合了面部识别与语言分析。一项涉及20名参与者的用户研究发现了一种“扑克脸”效应，即视觉线索不可靠，而语言分析则更为准确；研究还表明，智能体可以通过对话适应性来引发情绪。