Analysis of eye tracking data applied to Autism Spectrum Disorder during virtual reality experiments

Abstract

As Perturbações do Espetro do Autismo (PEA) são uma desordem do neurodesenvolvimento, caracterizadas, entre outros sintomas, por déficits no comportamento social, como a comunicação e a interação. Estes sintomas podem estar associados a falhas na compreensão e no uso de linguagem corporal e gestos, e com dificuldades em fazer e manter contacto visual e em seguir pistas visuais. Devido à sua heterogeneidade de sintomas e aos seus diferentes níveis de manifestação, o diagnóstico das PEA torna-se muito desafiante e subjetivo, requerendo sempre a presença de um clínico com treino na ́área e de uma equipa interdisciplinar, responsável por avaliar tanto o desenvolvimento como o comportamento do indivíduo.Com os avanços da tecnologia, têm sido usadas novas ferramentas no estudo das PEA. Um destes exemplos são os eye trackers, usados para estudar e compreender o comportamento do olhar, do qual está provado existirem diferenças entre indivíduos com Desenvolvimento Típico (DT) e indivíduos com PEA. Entre outras diferenças no olhar, a população autista tem tendência a realizar mais sacadas, fixações mais longas e menos fixações na cara. Para além disso, apresenta também falhas em fenómenos de atenção conjunta. Neste projeto, estas características foram calculadas a partir dos dados recolhidos durante experimentos de realidade virtual, com dois dispositivos de eye tracking, que diferiam no seu nível de imersividade, o RED(ecrã com eye tracker) e os Oculus Rift (óculos de eye tracking).Para analisar e treinar os dados obtidos, utilizámos técnicas de Machine Learning (ML). Isto permitiu-nos, não só, perceber se estas características são ou não capazes de distinguir as duas classes de indivíduos (PEA e DT), mas também se existem diferenças significativas na aquisição com diferentes dispositivos.

Autism Spectrum Disorder (ASD) is a neurodevelopmental disorder characterized, among others, by deficits in social behaviour, like communication and interaction. These symptoms can be associated with impairments in understanding and using body language and gestures, in making eye contact and in following gaze cues. Due to its heterogeneity of symptoms and different levels of manifestation, the diagnostic of ASD becomes very challenging and subjective, and requires the presence of a trained clinician, and an associated interdisciplinary team, in charge of evaluating both development and behaviour.With technology advances, different tools have been used in the study of ASD. One of these examples is eye trackers, used to study and understand gaze behaviour, which is proved to show differences between Typically Developing (TD) and ASD individuals. Among other gaze differences, the autistic population show more saccadic movements, longer fixations, lesser fixations in faces and impairments in Joint Attention (JA) phenomena.In this project we calculated these features from the data obtained from virtual reality experiments with two eyetracking devices, which differ on their levels of immersivity, RED (screen-based eye tracker) and Oculus Rift (eye tracking glasses). We used Machine Learning (ML) techniques to analyse and train the obtained data. This allowed us, not only to understand if these features were able to distinguish between the two classes of individuals (ASD and TD), but also if there was significant differences in the acquisition with different setups.