Autism-Datasets|自闭症研究数据集|医疗数据分析数据集

收集了一些关于自闭症的数据集。

A collection of datasets related to autism has been compiled.

原始信息汇总

数据集概述

DREAM

• 描述: 捕捉机器人辅助治疗期间的三维骨骼、头部方向和眼睛注视数据。
• 参与者数量: 61
• 数据链接: DREAM数据

AFID

• 描述: 从多个网站收集自闭症谱系障碍(ASD)和典型发展(TD)的图像。
• 参与者数量: 1470 ASD, 1470 TD
• 数据链接: AFID数据

DASD

• 描述: 从视频数据中提取头部相关特征。
• 参与者数量: 57 ASD, 25 TD
• 数据链接: DASD数据

SSBD

• 描述: 从公共领域网站收集儿童自然行为视频。
• 参与者数量: 75视频; 平均时长90秒
• 数据链接: SSBD数据

ABIDE 1

• 描述: 收集并整合来自多个实验室的功能性和结构性脑部MRI数据。
• 参与者数量: 539 ASD, 573 TD
• 数据链接: ABIDE 1数据

ABIDE 2

• 描述: 增加样本量，对ABIDE I进行更详细的表型特征描述。
• 参与者数量: 521 ASD, 539 TD
• 数据链接: ABIDE 2数据

Saliency4ASD(Eye Gaze)

• 描述: 记录观看图像时的眼睛运动。
• 参与者数量: 14 ASD, 14 TD
• 数据链接: Saliency4ASD数据

xxx(Eye Gaze)

• 描述: 捕捉眼睛运动以可视化眼动追踪扫描路径。
• 参与者数量: 30 ASD, 29 TD
• 数据链接: xxx数据

Pavis

• 描述: 从视频中收集抓取瓶子时的手势数据。
• 参与者数量: 20 ASD, 20 TD
• 数据链接: Pavis数据

De-Enigma

• 描述: 在机器人辅助活动中收集的多模态(音频、视频和深度)数据。
• 参与者数量: 128儿童
• 数据链接: De-Enigma数据

MWUT

• 描述: 捕捉儿童与成人互动期间的眼睛注视数据。
• 参与者数量: 50 ASD, 50 TD
• 数据链接: MWUT数据

AI搜集汇总

数据集介绍

构建方式

Autism-Datasets汇集了多个与自闭症相关的数据集，涵盖了从功能性脑成像到自然行为视频等多种数据类型。这些数据集通过不同的研究项目和实验设计收集，包括从公共网站抓取图像、记录眼动数据、以及在机器人辅助治疗中捕捉的3D骨骼和头部方向数据。每个数据集的构建都遵循特定的研究目标和方法，确保数据的多样性和代表性。

特点

该数据集的特点在于其多模态数据的丰富性和多样性，涵盖了图像、视频、眼动、脑成像等多种数据类型。这些数据不仅包括自闭症患者（ASD）的数据，还包含对照组（TD）的数据，以便进行有效的比较研究。此外，数据集的样本量较大，且来自多个不同的研究项目，增强了数据的综合性和可靠性。

使用方法

使用Autism-Datasets时，研究者可以根据研究需求选择合适的数据集进行分析。例如，对于脑成像研究，可以选择ABIDE系列数据集；对于行为分析，可以选择DREAM或SSBD数据集。数据集的详细信息和下载链接均在README文件中提供，用户需遵循相应的使用许可和数据共享协议。此外，数据集的多样性也支持跨学科的研究，如结合眼动数据和脑成像数据进行综合分析。

背景与挑战

背景概述

自闭症谱系障碍（Autism Spectrum Disorder, ASD）是一种复杂的神经发育障碍，近年来引起了广泛关注。Autism-Datasets数据集汇集了多个与自闭症相关的数据集，旨在为研究人员提供丰富的资源以深入探讨ASD的诊断与治疗。该数据集由多个研究机构和团队共同创建，包括DREAM、AFID、DASD等子数据集，涵盖了从3D骨骼数据、图像、视频到脑部MRI等多种数据类型。这些数据集的创建时间跨度较大，反映了不同研究阶段对ASD的理解和研究方法的演变。通过整合这些数据，Autism-Datasets为ASD领域的研究提供了宝贵的资源，推动了该领域的发展。

当前挑战

尽管Autism-Datasets汇集了多种类型的数据，但其构建过程中仍面临诸多挑战。首先，不同数据集的采集方法和标准各异，导致数据的一致性和可比性问题。其次，数据集的样本量和多样性存在差异，部分数据集样本量较小，难以代表ASD的广泛特征。此外，数据隐私和伦理问题也是构建过程中需要重点考虑的挑战，尤其是在涉及儿童和敏感信息的情况下。最后，数据集的标注和分类标准不统一，增加了数据处理的复杂性，影响了研究结果的可靠性。

常用场景

经典使用场景

在自闭症研究领域，Autism-Datasets数据集的经典使用场景主要集中在行为分析和诊断辅助工具的开发。例如，DREAM数据集通过捕捉儿童在机器人辅助治疗中的3D骨骼、头部方向和眼动数据，为研究自闭症儿童的行为模式提供了丰富的数据支持。此外，ABIDE系列数据集通过收集功能性和结构性脑部MRI数据，为神经影像学研究提供了重要的资源，有助于深入理解自闭症的神经基础。

衍生相关工作

Autism-Datasets数据集的发布催生了多项相关研究工作。例如，基于DREAM数据集的研究，开发了用于评估自闭症儿童社交互动能力的机器人辅助系统。ABIDE数据集则激发了大量关于自闭症神经影像学特征的研究，推动了功能连接和结构异常的识别技术的发展。此外，眼动追踪数据集的研究成果，如Saliency4ASD，为自闭症的视觉注意机制研究提供了新的视角，促进了相关理论和模型的建立。

数据集最近研究

最新研究方向

在自闭症研究领域，Autism-Datasets数据集的最新研究方向主要集中在多模态数据的整合与分析上。随着技术的进步，研究者们开始利用如脑部MRI、眼动追踪、视频行为分析等多种数据源，以期更全面地理解自闭症的神经和行为特征。例如，ABIDE数据集通过整合功能性和结构性脑部MRI数据，为研究自闭症的脑部结构和功能提供了丰富的资源。此外，眼动追踪数据集如Saliency4ASD和MWUT，通过记录自闭症儿童在观看图像或与成人互动时的眼动模式，揭示了视觉注意力的独特模式。这些多模态数据的整合不仅提升了诊断的准确性，也为个性化治疗方案的开发提供了科学依据。