Abstract
Представленное исследование отражает результаты разработки и тестирования двух моделей глубокого обучения — долгой краткосрочной памяти с сверточной нейронной сетью (LSTM+CNN) и долгой краткосрочной памяти с автоэнкодером (LSTM+AE) — для диагностики расстройств аутистического спектра. Работа направлена на использование технологии айтрекинга для регистрации данных о движении глаз участников при взаимодействии с анимированными объектами. Данные сохранялись в формате .npy массивов NumPy для удобства последующего анализа. Алгоритмы оценивались по точности, способности к обобщению и времени обучения, что было подтверждено экспертами. Основная цель исследования — повышение точности и эффективности диагностики аутизма. Архитектуры LSTM+CNN и LSTM+AE показали высокую перспективность для достижения данной цели, при этом модель с автоэнкодером особенно выделяется своей способностью выявлять скрытые взаимосвязи между наборами данных. В статье также рассматриваются возможные клинические применения алгоритмов и направления дальнейших исследований.