Estima-se que 1% da população mundial se enquadre no Transtorno do Espectro Autista (TEA), o qual é caracterizado por alterações na comunicação social e presença de comportamentos estereotipados e repetitivos. Estudos sugerem a presença de alterações na conectividade cerebral no TEA, com um processamento atípico de informações sociais, relacionadas aos mecanismos bottom-up e top-down. Diversos classificadores para auxílio diagnóstico do TEA vêm sendo propostos a partir de dados de rastreamento do olhar. No entanto, a maioria dos trabalhos baseia-se em dados como duração e contagem das fixações do olhar. Outros estudos combinam dados de rastreamento do olhar e características extraídas da imagem para criar Modelos de Atenção Visual (MAVs) e mapas de saliência. Recentemente, nosso grupo propôs uma abordagem baseada em mapas de saliência para o auxílio diagnóstico do TEA. Considerando que alterações da conectividade top-down estão presentes no TEA, nossa hipótese é que um maior número de características semânticas nestes MAVs pode melhorar o desempenho destes classificadores. Portanto, o objetivo deste estudo é desenvolver classificadores para o auxílio diagnóstico do TEA, baseado em MAVs considerando diferentes níveis de características em mapas de saliência, com enfoque na integração de características semânticas. Para atingir os objetivos, o primeiro passo foi replicar o estudo anterior do grupo com uma nova amostra e novo estímulo visual pautado no mesmo paradigma de atenção visual. A replicação ocorreu de maneira satisfatória, sugerindo a robustez da abordagem prévia e a viabilidade das abordagens baseadas em MAVs para auxiliar no diagnóstico de TEA. No entanto, a troca de estímulo visual e amostras causaram diminuição no desempenho dos classificadores. Após a replicação, outros algoritmos indutores de classificação foram testados e o algoritmo Random Forest apresentou melhores desempenhos em todos os cenários, com a vantagem adicional de permitir a comparação de importância atribuída a cada uma das características consideradas. Foi realizada uma revisão da literatura para avaliar a viabilidade de inclusão de mais características semânticas e então, procedemos com a extração das novas características. A comparação de importância das características contribuiu na interpretabilidade dos classificadores, nesse sentido verificamos que: 1 - características semânticas apresentaram importância relativa menor que as demais, porém com maior importância para indivíduos com desenvolvimento típico; 2 - a característica Pessoa foi a que mais divergiu entre os grupos, sendo menos importante no TEA; 3 - as características centro da tela e centro das cenas foram as mais importantes e a exclusão delas impactou negativamente na classificação. De maneira geral, a inclusão de características semânticas não melhorou o desempenho de classificação. Porém, ao segmentar o dataset excluindo indivíduos mais novos, observou-se que o desempenho melhorou. Algumas limitações são discutidas e estudos adicionais são incentivados para testar outras condições e cenários.

It is estimated that 1% of the worlds population has Autistic Spectrum Disorder (ASD), characterized by changes in social communication and the presence of stereotyped and repetitive behaviors. Studies suggest that the presence of changes in brain connectivity in ASD, with atypical processing of social information, related to bottom-up and top-down mechanisms. Several classifiers to diagnosis-aid of ASD have been proposed based on gazetracking data. However, most studies are based on data such as duration and count of gaze fixations. Other studies combine gaze-tracking data and extracted image features to create Visual Attention Models (VAM) and saliency maps. Recently, our group proposed an approach based on saliency maps to diagnosis-aid of ASD. Considering that changes in top-down connectivity are present in ASD, our hypothesis is that a greater number of semantic features in these VAM can improve the performance of these classifiers. Therefore, the aim of this study is to develop classifiers to diagnosis-aid of ASD, based on VAM considering different levels of features in saliency maps, focusing on the integration of semantic features. To achieve the objectives, we began by replicating the groups previous study with a new sample and new visual stimulus based on the same visual attention paradigm. The replication occurred satisfactorily, suggesting the robustness of the previous approach and the viability of approaches based on VAM to aid in the diagnosis of ASD. However, switching visual stimuli and samples had a negative impact on the performance of the classifiers. Although other factors need to be considered, the difference in performance between the previous study and the replication may be due to the difference in the ages of the individuals. After replication, other classification-inducing algorithms were tested and the Random Forest algorithm showed better performance in all scenarios, with the additional advantage of allowing comparison of the importance attributed to each of the features considered. A literature review was carried out to evaluate the feasibility of including more semantic features and then we proceeded with the extraction of new features. The comparison of the importance of the features contributed to the interpretability of the classifiers, in this sense, we verified that: 1 - semantic features presented lower relative importance than the others, but with greater importance for individuals with typical development; 2 - the Person feature differed more between groups, being less important in ASD; 3 - the features center of the screen and center of the scenes were the most important and their exclusion had a negative impact on the classification. In general, the inclusion of semantic features did not improve classification performance. However, when segmenting the dataset excluding younger individuals, it was observed that the performance improved. Some limitations are discussed and additional studies are encouraged to test other conditions and scenarios.