ASD 예측을 위한 연합학습 기반 시선 추적 이미지 분류 모델 구축

• 영문명: Building of a Federated Learning based Eye tracking Image Classification Model for Early Detection of ASD
• 발행기관: 한국스마트미디어학회
• 저자명: 신현호(Hyeonho Shin) 이재민(Jae-Min Lee) 전홍우(Hong-Woo Chun)
• 간행물 정보: 『스마트미디어저널』제14권 제6호, 23~31쪽, 전체 9쪽
• 주제분류: 공학 > 컴퓨터학
• 파일형태: PDF
• 발행일자: 2025.06.30

국문 초록

자폐 스펙트럼 장애는 아동에게 발현되는 신경 발달 장애로 조기 발견과 치료가 매우 중요하다. 하지만 현재 자폐 스펙트럼 장애의 진단 및 치료는 전문 인력 부족과 제한된 시간으로 인해 어려움이 많다. 최근 많은 연구에서는 시선 움직임 패턴 분석을 통해 아동의 자폐 스펙트럼 장애를 예측하려는 시도가 활발히 이루어지고 있다. ASD 아동 대상 시선 추적 이미지는 의료 데이터이고 현재 대한민국 의료법상 공유 및 분석에 한계가 존재한다. 이에 본 연구에서는 실질적인 해결 방안을 제시하고자 여러 기관에 분산된 데이터를 중앙에서 정보 유출 없이 분석할 수 있는 방법론인 연합학습을 적용한 모델을 제안한다. 연합학습은 클라이언트에서 각 모델을 학습하고 학습된 가중치만 중앙 서버에 공유하는 분산 학습 방법이다. 연구 목표는 분산 학습 모델의 성능이 중앙집중형 학습 모델과 비슷한 결과를 제시하는 것이다. 실험 결과, 연합학습 모델은 정확도 0.85와 F1 스코어 0.84를 달성하여 중앙집중형 학습 모델 대비 각각 약 92.4% 약 94.4%의 성능을 보였다. 이를 통해 자폐 스펙트럼 장애 아동 예측에서 연합학습이 효과적인 접근법임을 입증하였으며, 의료 데이터의 개인정보 보호와 분산 학습의 가능성을 동시에 제시하였다.

영문 초록

Autism spectrum disorder is a neurodevelopmental disorder that manifests in children, making early detection and treatment critically important. However, the diagnosis and treatment of ASD currently face significant challenges due to a shortage of specialized personnel and limited time. Recent studies have increasingly focused on predicting ASD in children by analyzing gaze movement patterns. However, eye-tracking images of ASD children are classified as medical data, and sharing or analyzing such data is restricted under South Korea’s Medical Law. To address these challenges, this study proposes a federated learning approach, which allows distributed data from multiple institutions to be analyzed centrally without risking data leakage. Federated learning is a distributed learning method in which each client trains its model locally and only the learned weights are shared with the central server. This study aims to show that a distributed learning model can perform on par with a centralized learning model. The experimental results indicated that the federated learning model achieved an acc of 0.85 and an F1-score of 0.84, demonstrating approximately 92.4% and 94.4% of the performance level observed in the centralized model, respectively. These findings confirm that federated learning is an effective approach for early ASD prediction while simultaneously preserving the privacy of medical data and demonstrating the potential of distributed learning.

목차

Ⅰ. 서론

Ⅱ. 관련 연구

Ⅲ. 제안 방법

Ⅳ. 실험 환경

Ⅴ. 실험 결과

Ⅵ. 결론

키워드

자폐 스펙트럼 장애 연합학습 시선 추적 이미지 처리 Autism Spectrum Disorder (ASD) Federated Learning Eye Tracking Image Processing