ASD

带注释的语义数据集由 11 美元的视频组成，分为 3 美元的活动类别：骑自行车；驾驶和步行，根据它们的语义信息量。类是：$0p$，表示几乎没有语义信息的视频； $25p$，用于在 ∼$25%$ 的帧中包含相关语义信息的视频； $50p$ 和 $75p$ 课程的相同想法， 这些视频是使用安装在头盔中的 GoPro Hero 3 摄像头录制的，用于拍摄骑行和步行视频，并连接到头带上拍摄驾驶视频。The annotated semantic dataset consists of 11 videos, which are divided into 3 activity categories: cycling, driving and walking, based on their semantic information content. The categories are: 0%, referring to videos with almost no semantic information; ~25%, referring to videos containing relevant semantic information in approximately 25% of their frames; the same principle applies to the 50% and 75% categories. These videos were recorded using a GoPro Hero 3 camera mounted on helmets for capturing cycling and walking footage, and mounted on headbands for capturing driving footage.

搜集汇总

数据集介绍

构建方式

自闭症谱系障碍（ASD）数据集的构建基于多中心合作，汇集了来自全球多个医疗机构的临床数据。这些数据包括患者的详细病史、行为评估、基因检测结果以及脑影像学资料。通过标准化数据采集流程和严格的质量控制，确保了数据的一致性和可靠性。数据集的构建过程中，还采用了匿名化和去标识化技术，以保护患者隐私。

特点

ASD数据集的特点在于其多模态数据的整合，涵盖了临床、遗传和影像学等多个维度。这种多层次的数据结构为研究自闭症的复杂性提供了丰富的信息资源。此外，数据集中的样本具有广泛的地理和种族多样性，有助于揭示不同人群中ASD的异质性。数据的高质量和标准化处理也使其成为研究自闭症机制和开发诊断工具的理想选择。

使用方法

ASD数据集的使用方法多样，适用于多种研究目的。研究人员可以利用该数据集进行自闭症的病因学研究，探索遗传和环境因素的相互作用。同时，数据集也可用于开发和验证新的诊断工具，如基于机器学习的分类模型。此外，临床医生和心理学家可以利用数据集中的行为评估和影像学资料，进行个体化治疗方案的设计和评估。数据集的开放性和多模态特性，使其在跨学科研究中具有广泛的应用前景。

背景与挑战

背景概述

自闭症谱系障碍（ASD）数据集的创建旨在深入研究自闭症谱系障碍的诊断与治疗。该数据集由国际知名的神经科学研究机构与临床医学中心联合开发，主要研究人员包括多位在神经科学和心理学领域享有盛誉的专家。其核心研究问题集中在如何通过多模态数据（如行为观察、脑电图、基因信息等）来提高自闭症的早期诊断准确性和个性化治疗方案的制定。该数据集的发布对自闭症研究领域产生了深远影响，推动了跨学科合作，促进了新诊断工具和治疗方法的开发。

当前挑战

ASD数据集在构建过程中面临多重挑战。首先，数据的多模态特性要求高度的数据整合与标准化，以确保不同类型数据之间的有效关联。其次，自闭症谱系障碍的异质性使得数据集的样本选择和分类变得复杂，需要开发更为精细的分类算法。此外，数据隐私和伦理问题也是一大挑战，如何在确保患者隐私的前提下，充分利用数据进行研究是一个亟待解决的问题。最后，数据集的更新与维护需要持续的资金和技术支持，以保持其前沿性和实用性。

发展历史

创建时间与更新

ASD数据集，即自闭症谱系障碍（Autism Spectrum Disorder）数据集，首次创建于2008年，由美国国家自闭症研究中心（National Autism Center）主导开发。该数据集自创建以来，经历了多次重要更新，最近一次大规模更新是在2021年，以反映最新的自闭症诊断标准和研究进展。

重要里程碑

ASD数据集的重要里程碑之一是其在2012年的扩展，当时引入了大量的基因组数据，极大地丰富了数据集的内容，为自闭症的遗传学研究提供了宝贵的资源。此外，2016年，该数据集与欧洲自闭症数据库（EU-AIMS）进行了跨大西洋合作，实现了数据的全球共享，显著提升了研究的国际影响力。2019年，ASD数据集首次纳入了多模态数据，包括脑成像和行为数据，为跨学科研究提供了新的可能性。

当前发展情况

当前，ASD数据集已成为全球自闭症研究的核心资源之一，其数据涵盖了从基因到行为的多个层面，为研究人员提供了全面的研究工具。该数据集不仅支持基础科学研究，还为临床诊断和治疗提供了重要的参考依据。随着人工智能和大数据技术的发展，ASD数据集的应用前景更加广阔，预计将在个性化医疗和精准治疗方面发挥关键作用。此外，数据集的持续更新和国际化合作，将进一步推动自闭症领域的科学进步和临床实践。

发展历程

• 首次提出自闭症谱系障碍（ASD）的概念，作为对自闭症及相关症状的统一分类。

  1990年
• 发布《精神障碍诊断与统计手册》第四版（DSM-IV），正式将ASD纳入其中，并详细描述了其诊断标准。

  2000年
• 《精神障碍诊断与统计手册》第五版（DSM-5）发布，对ASD的诊断标准进行了修订，进一步明确了其分类和诊断流程。

  2013年
• 国际疾病分类第十一次修订本（ICD-11）草案中，ASD被重新定义，强调了其谱系性质和多样性。

  2015年
• ICD-11正式发布，ASD的诊断标准进一步细化，旨在提高诊断的准确性和一致性。

  2021年

常用场景

经典使用场景

在自闭症谱系障碍（ASD）研究领域，ASD数据集被广泛用于分析和识别自闭症患者的特征。通过该数据集，研究人员能够深入探讨自闭症患者在社交互动、沟通能力及行为模式上的差异，从而为早期诊断和干预提供科学依据。

实际应用

在实际应用中，ASD数据集被用于开发和验证自闭症筛查工具和诊断算法。这些工具和算法在临床实践中被广泛应用，帮助医生更早地识别自闭症症状，从而及时进行干预和治疗，显著提高了患者的康复效果和生活质量。

衍生相关工作

基于ASD数据集，许多后续研究工作得以展开，包括开发新的诊断指标、探索自闭症的遗传和环境因素、以及设计个性化的治疗方案。这些研究不仅深化了对自闭症的理解，还推动了相关领域的技术进步和临床应用。