用于评估自闭症谱系障碍的方法、设备和系统

摘要

本发明涉及自闭症谱系障碍诊断和疾病管理的领域。具体地，其涉及一种评估受验者中的自闭症谱系障碍的方法，包括以下步骤：从数据集确定至少一个使用行为参数，所述数据集包括在第一预定义时间窗口内的针对移动设备的使用数据，其中所述移动设备已经被受验者使用；以及将确定的至少一个使用行为参数与参考进行比较，从而将评估自闭症谱系障碍。本发明还涉及一种移动设备，所述移动设备包括处理器、记录使用数据的至少一个传感器、和数据库以及软件，所述软件被有形地嵌入到所述设备，并且当在所述设备上运行时，执行前述方法。本发明还考虑了一种包括移动设备和远程设备的系统，所述移动设备包括记录使用数据的至少一个传感器，所述远程设备包括处理器和数据库以及软件，所述软件被有形地嵌入到所述设备，并且当在所述设备上运行时，执行前述方法，其中所述移动设备和所述远程设备被可操作地彼此链接。此外，本发明涉及移动设备或系统用于评估自闭症谱系障碍分析数据集的用途，所述数据集包括在第一预定义时间窗口内的针对移动设备的使用数据，其中所述移动设备已经被受验者使用。

说明书

本发明涉及精神分裂症或自闭症谱系障碍诊断和疾病管理的领域。具体地，其涉及一种评估受验者中的精神分裂症或自闭症谱系障碍的方法，包括以下步骤：从数据集确定至少一个使用行为参数，所述数据集包括在第一预定义时间窗口内的针对移动设备的使用数据，其中所述移动设备已经被受验者使用；以及将确定的至少一个使用行为参数与参考进行比较，从而将评估精神分裂症或自闭症谱系障碍。本发明还涉及一种移动设备，所述移动设备包括处理器、记录使用数据的至少一个传感器、和数据库以及软件，所述软件被有形地嵌入到所述设备，并且当在所述设备上运行时，执行前述方法。本发明还考虑了一种包括移动设备和远程设备的系统，所述移动设备包括记录使用数据的至少一个传感器，所述远程设备包括处理器和数据库以及软件，所述软件被有形地嵌入到所述设备，并且当在所述设备上运行时，执行前述方法，其中所述移动设备和所述远程设备被可操作地彼此链接。此外，本发明涉及移动设备或系统用于评估精神分裂症分析数据集的用途，所述数据集包括在第一预定义时间窗口内的针对移动设备的使用数据，其中所述移动设备已经被受验者使用。

自闭症谱系障碍是包括典型自闭症和相关医学状况的神经发育障碍。自闭症谱系障碍似乎具有约59分之1的患病率（

典型症状包括社交交流和社交互动中的问题，以及行为、兴趣或活动的受限、重复模式。症状通常在2和4岁之间被识别。长期问题可能包括建立和保持关系、维持工作和执行日常任务方面中的困难。

DSM 5将自闭症、阿斯伯格综合征、未另外指定的广泛性发育障碍（PDD-NOS）和儿童崩解性障碍识别为落入自闭症谱系障碍的组中的障碍。常见的共病（comorbit）症状包括焦虑和睡眠问题。遗传原因以及环境影响作为潜在风险因素来讨论。

各种诊断测试和行为特性已经被描述用于评估ASD。例如，患有ASD的个体可能具有不寻常的嗓音属性、减少的言语的量和关于轮换的困难（difficulty with turn-taking）（Capps等人，1998）。他们可能强烈关注于他们的有限的兴趣，从而使谈话困难（Rouhizadeh，2015）。66％的患有ASD的个体有攻击性（aggressive）发作史（Kanne和Micah，2011）。患有ASD的个体较不可能参与社交接洽（approaches）中、与其他人互动（Corbett等人，2010）以及严格遵守常规（Henderson等人，2011）。最近的研究还已经证明了自动检测重复移动的潜力（Großekathöfer等人，2017）。

患有ASD的个体关于睡眠具有显著问题，包括延长的睡眠潜伏期、降低的睡眠效率、减少的总睡眠时间、增加的睡眠开始（sleep-onset）后醒来以及白天嗜睡（sleepiness）（Cohen等人，2014）。患有ASD的睡眠不足者具有更大的情感问题和更差的社交互动（Malow等人，2006）。焦虑与ASD的共同发病率（co-morbidity）估计为39.6％（Steensel等人，2011）。焦虑与心率变异性的较低率相关联（Friedman，2007）。眼睛测试中的读心术（Reading the Mind in the Eyes Test）（RMET）是用于识别其他人的精神状态的能力的公认的（well established）评估，其由Baron Cohen等人（2001）在ASD方面中开发。

患有自闭症的个体可能有关于工作记忆的困难。关于空间工作记忆的CANTAB评估，他们比非ASD个体更可能犯错误，并且较不可能始终如一地使用特定的有组织的搜索策略（Steele等人，2007）。“Stag Hunt”（针对该app命名为Treasure Hunt）被开发以评估患有ASD的个体的合作能力。已经示出在表示另一位玩家的策略时预测症状严重性的困难（Yoshida等人，2010）。患有ASD的人表现出独特的、非典型的言语的声学模式（Fusaroli等人，2017）和专注于（fixate on）图像的非社交元素（诸如ADOS中使用的那些）上的倾向（Mouga等人，2015）。

上面提到的ASD的一些领域在其他疾病中也受到影响，所述疾病诸如安格尔曼综合征（Angelman Syndrome）、精神分裂症和多发性硬化症（MS）。社交认知关注于人们如何处理、存储和应用关于其他人和社交情况的信息，从而指导他们的社交互动。最近的证据已经表明，20％的患有MS的患者中的社交认知障碍和20-40％的MS患者中的社交认知障碍是就心智任务的理论而论以及就社交感知任务而论，以识别某些负面的面部情绪（emotion）表情（Dulau C等人，2017，Journal of Neurology，264（4）：740-748）。被定义为需要关于互动的受验者的思想和信仰、情绪、情感状态和感觉的内部理论化表示他们的心理观点的一次能力的心智的理论，在MS人群中受到高度影响。情绪识别是社交感知的一部分，其被定义为基于行为信号感知关于其他受验者的精神状态的信息的一次能力，也已知在MS中受到影响。

某些药物和途径在ASD的治疗中是已知的，诸如巴洛普坦（Balovaptan）（SciTransl Med. 2019年5月8日；11（491）），阿巴氯芬（Arbaclofen）（J Autism Dev Disord.2014年4月；44（4）：958-64），GABA A（第86卷，第5期，2015年6月3日，第1119-1130页，RG7816（https://adisinsight.springer.com/drugs/800051347），CM-AT（https://psych.ucsf.edu/CM-AT-autism），mGlu4/7 PAM（Front Mol Neurosci. 2018；11：387，Neuropsychopharmacology. 2014年8月；39（9）：2049–2060），布美他尼（Bumetanide）（AnnPharmacother. 2019年5月；53（5）：537-544），JNJ-5279（https://adisinsight.springer.com/drugs/800036911），L1-79（Clin Ther. 2019年9月3日。pii：S0149-2918（19）30396-0），Tideglusib（https://www.thepharmaletter.com/article/positive-data-for-amo-02-in-autism-spectrum-disorder），FSM®（https：//www.healio.com/pediatrics/autism-spectrum-disorders/news/online/%7B6b8a390d-1f6a-4f24-ac73-ee831f0c20e0%7D/fda-fast-tracks-microbiota-therapy-for-children-and-autism），多奈哌齐（donepezil）（NCT01098383），AB-2004（http://www.microbiometimes.com/axial-biotherapeutics-announces-publication-of-preclinical-data-highlighting-the-link-between-human-gut-microbiota-and-behavioral-symptoms-of-autism-spectrum-disorder-in-mouse-models/），Zygel（https://zynerba.com/zynerba-pharmaceuticals-initiates-phase-2-trial-of-zygel-in-autism-spectrum-disorder/），OPN-300（https://adisinsight.springer.com/trials/700258780)，齐拉西酮（Ziprasidone）（NCT00208559）（https://www.clinicaltrialsarena.com/news/oryzon-vafidemstat-autism-results/），卢拉西酮（Lurasidone）（EudraCT号：2013-001694-24），次大麻二酚（Cannabidivarin）（Front CellNeurosci. 2019年8月9日；13：367），RVT-701（https://adisinsight.springer.com/drugs/800047745），纳洛酮（naloxone）和纳曲酮（naltrexone）（Am J Ment Retard. 1989年5月；93（6）：644-51），利培酮（Risperidone）（J Child Adolesc Psychopharmacol. 2008年6月；18（3）：227–236），脂肪酸ω-3（Omega-3）治疗（EudraCT号：2007-006444-21），亚叶酸（folinic acid）（EudraCT号：2015-000955-25），氟西汀（Fluoxetine）（EudraCT号：2008-003712-36)。

存在对用于评估受影响患者中的自闭症谱系障碍的可靠的措施的需要。

本发明潜在的技术问题可以在提供遵从前述需要的装置和方法中看到。该技术问题通过在权利要求中表征以及下面在本文中描述的实施例来解决。

本发明涉及一种评估受验者中的自闭症谱系障碍的方法，其包括以下步骤：

a）从数据集确定至少一个使用行为参数，该数据集包括在第一预定义时间窗口内的针对移动设备的使用数据，其中所述移动设备已经被受验者使用；以及

b）将确定的至少一个使用行为参数与参考进行比较，从而将评估自闭症谱系障碍。

典型地，该方法进一步包括步骤（c）：基于在步骤（b）中执行的比较，确定受验者中与精神分裂症或自闭症谱系障碍相关联的阴性症状的改善、持续或恶化。

在一些实施例中，该方法还可以包括在步骤（a）之前，从使用移动设备的受验者获得数据集的步骤，该数据集包括在第一预定义时间窗口内的针对移动设备的使用数据。然而，典型地，该方法是在包括在第一预定义时间窗口内的针对移动设备的使用数据的现有数据集上执行的离体方法，其不需要与所述受验者的任何物理互动。

本发明还涉及一种评估受验者中的自闭症谱系障碍（ASD）的方法，该方法包括以下步骤：

a）从数据集确定至少一个行为参数，该数据集包括来自第一预定义时间窗口的来自患有ASD的受验者的行为数据；以及

b）将确定的至少一个行为参数与参考进行比较，从而将评估ASD，

其中所述行为数据包括选自由以下各项组成的组的一个或多个数据：

（i）指示谈话技能和痴迷兴趣（obsessive interest）的数据；

（ii）指示社交性和常规的数据；

（iii）指示重复移动的数据；

（iv）指示睡眠行为的数据；

（v）指示焦虑的数据；

（vi）指示情绪识别的数据；

（vii）指示空间工作记忆的数据；

（viii）指示合作行为的数据；以及

（ix）指示图像探索能力、嗓音属性和说话者识别的数据。

典型地，该方法进一步包括步骤（c）：基于在步骤（b）中执行的比较，确定受验者中与ASD相关联的症状的改善、持续或恶化。

在一些实施例中，该方法还可以包括在步骤（a）之前，从使用移动设备的受验者获得数据集的步骤，该数据集包括在第一预定义时间窗口内的针对移动设备的行为数据。然而，典型地，该方法是在包括在第一预定义时间窗口内的针对移动设备的行为数据的现有数据集上执行的离体方法，其不需要与所述受验者的任何物理互动。

如根据本发明所提及的方法包括本质上由前述步骤组成的方法或者可以包括附加步骤的方法。

如下文中所使用的，术语“具有”、“包括”或“包含”或其任何任意语法变体以非排他性的方式使用。因此，这些术语既可以指代其中除了由这些术语引入的特征之外，在该背景下描述的实体中不存在另外的特征的情况，并且也可以指代其中存在一个或多个另外的特征的情况。作为示例，表述“A具有B”、“A包括B”和“A包含B”既可以指代其中除了B之外，A中不存在其他元素的情况（即其中A仅仅并且排他性地由B组成的情况），并且也可以指代其中除了B之外，实体A中存在一个或多个另外的元素（诸如元素C、元素C和元素D，或甚至另外的元素）的情况。

此外，应注意，术语“至少一个”、“一个或多个”或指示特征或元素可以存在一次或多于一次的类似表述典型地将在引入相应的特征或元素时仅使用一次。在下文中，在大多数情况下，当提及相应的特征或元素时，尽管相应的特征或元素可能存在一次或多于一次的事实，但是表述“至少一个”或“一个或多个”将不重复。

此外，如在下文中所使用的，术语“特别地”、“更特别地”、“具体地”、“更具体地”、“典型地”和“更典型地”或类似术语与附加的/替代的特征结合使用，而不限制替代的可能性。因此，由这些术语引入的特征是附加的/替代的特征，并且不旨在以任何方式限制权利要求的范围。如技术人员将认识到的，本发明可以通过使用替代特征来执行。类似地，由“在本发明的实施例中”或类似表述引入的特征旨在是附加的/替代的特征，而没有关于本发明的替代实施例的任何限制，没有关于本发明的范围的任何限制，并且没有关于组合以这样的方式引入的特征与本发明的其他附加的/替代的或非附加的/替代的特征的可能性的任何限制。

一旦已经获取包括在第一预定义时间窗口内的针对移动设备的使用或行为数据的数据集，就可以由受验者在移动设备上执行该方法。在实施例中，针对移动设备的术语“使用数据”和“行为数据”在本文中可互换地使用。典型地，移动设备和获取数据集的设备可以是物理上相同的，即相同的设备。这样的移动设备应具有数据获取单元，该数据获取单元典型地包括用于数据获取的装置，即检测或测量定量或定性物理参数并且将它们变换成电子信号的装置，该电子信号被传输到用于执行根据本发明的方法的移动设备中的评价单元。数据获取单元包括用于数据获取的装置，即检测或测量定量或定性物理参数并且将它们变换成电子信号的装置，该电子信号被传输到远离移动设备的设备并且用于执行根据本发明的方法。典型地，用于数据获取的所述装置包括至少一个传感器。将理解，在移动设备中可以使用多于一个传感器，即至少两个、至少三个、至少四个、至少五个、至少六个、至少七个、至少八个、至少九个或至少十个或甚至更多个不同的传感器。用作用于数据获取的装置的典型传感器是诸如陀螺仪、磁力计、加速度计、接近度传感器、温度计、计步器、指纹检测器、触摸传感器、语音记录器、光传感器、压力传感器、位置数据检测器、相机、GPS以及诸如此类的传感器。评价单元典型地包括处理器和数据库以及软件，该软件被有形地嵌入到所述设备，并且当在所述设备上运行时，执行本发明的方法。更典型地，这样的移动设备还可以包括诸如屏幕的用户接口，该用户接口允许向用户提供由评价单元执行的分析的结果。

替代地，它可以在相对于已经被用于获取所述数据集的移动设备而言是远程的设备上执行。在这种情况下，移动设备应仅包括用于数据获取的装置，即检测或测量定量或定性物理参数并且将它们变换成电子信号的装置，该电子信号被传输到远离移动设备的设备并且被用于执行根据本发明的方法。典型地，用于数据获取的所述装置包括至少一个传感器。将理解，在移动设备中可以使用多于一个传感器，即至少两个、至少三个、至少四个、至少五个、至少六个、至少七个、至少八个、至少九个或至少十个或甚至更多个不同的传感器。用作用于数据获取的装置的典型传感器是诸如陀螺仪、磁力计、加速度计、接近度传感器、温度计、计步器、指纹检测器、触摸传感器、语音记录器、光传感器、压力传感器、位置数据检测器、相机、GPS以及诸如此类的传感器。因此，移动设备和用于执行本发明的方法的设备可以是物理上不同的设备。在这种情况下，移动设备可以通过用于数据传输的任何装置与用于执行本发明的方法的设备相对应。这样的数据传输可以通过永久或临时的物理连接来实现，所述物理连接诸如同轴、纤、光纤或双绞线、10 BASE-T线缆。替代地，它可以通过使用例如无线电波的临时或永久无线连接来实现，所述无线连接诸如Wi-Fi、LTE、高级LTE或蓝牙。因此，为了执行本发明的方法，唯一的要求是存在从使用移动设备的受验者获得的包括在第一预定义时间窗口内的针对移动设备的使用或行为数据的数据集。所述数据集也可以从获取移动设备传输或者存储在永久或临时存储器设备上，所述永久或临时存储器设备随后可以被用于将数据传送到用于执行本发明的方法的设备。在该设置中执行本发明的方法的远程设备典型地包括处理器和数据库以及软件，该软件被有形地嵌入到所述设备，并且当在所述设备上运行时，执行本发明的方法。更典型地，所述设备还可以包括诸如屏幕的用户接口，该用户接口允许向用户提供由评价单元执行的分析的结果。

如本文中使用的术语“评估”指代确定或提供用于诊断受验者是否患有ASD和/或表现出与其相关联的一种或多种症状的帮助。典型地，如本文中所指代的评估包括确定所述症状的改善、持续或恶化，更典型地，所述症状的改善。如本领域技术人员将理解的，这样的评估尽管是优选的，但是对于100%的被调查受验者而言通常可能是不正确的。然而，该术语要求可以正确地评估受验者的统计显著部分。在没有另外困难的情况下，可以由本领域技术人员使用各种公知的统计评价工具来确定一部分是否为统计显著的，所述各种公知的统计评价工具例如是置信区间的确定、p值确定、Student的t检验、Mann-Whitney检验等。可以在Dowdy和Wearden的Statistics for Research, John Wiley & Sons, New York 1983中找到细节。被典型地设想的置信区间为至少50%、至少60%、至少70%、至少80%、至少90%或至少95%。p值典型地为0.2、0.1、0.05。因此，本发明的方法典型地通过提供用于评价包括在第一预定义时间窗口内的使用或行为数据的数据集的手段来帮助ASD的评估。该术语还包括ASD的任何种类的诊断、监视或分期。

在本发明的方法的实施例中，所述评估自闭症谱系障碍（ASD）包括评估与ASD相关联的至少一种症状，所述症状选自由以下各项组成的组：社交交流和社交互动，以及行为、兴趣或活动的受限、重复模式。典型地，所述评估自闭症谱系障碍包括确定与自闭症谱系障碍相关联的至少一种症状的改善。

如本文中使用的术语“自闭症谱系障碍（ASD）”指代一组神经发育障碍，包括自闭症和相关医学状况。典型症状包括社交交流和社交互动中的问题，以及行为、兴趣或活动的受限、重复模式。特别地，至少症状可以是识别和/或解释非语言线索（non-verbal cues）的困难、谈话中的困难、降低的说教（preach）和/或语言能力、重复的言语、强迫性的和/或受限的兴趣、重复的移动、过度遵守常规、在社交环境中退缩、对同伴不感兴趣、睡眠问题、短期记忆问题和/或焦虑。症状通常在一和两岁之间被识别。长期问题可能包括建立和保持关系、维持工作和执行日常任务方面中的困难。DSM 5将自闭症、阿斯伯格综合征、未另外指定的广泛性发育障碍（PDD-NOS）和儿童崩解性障碍识别为落入自闭症谱系障碍的组中的障碍。遗传原因以及环境影响作为潜在风险因素来讨论。

可以被用于治疗ASD患者的药物包括神经递质再摄取抑制剂（氟西汀）、三环抗抑郁药（丙咪嗪）、抗惊厥药（拉莫三嗪）、非典型抗精神病药（氯氮平）和乙酰胆碱酯酶抑制剂（利凡斯的明（rivastigmine））。

如本文中所使用的术语“受验者”典型地涉及哺乳动物。根据本发明的受验者典型地可能患有或应被怀疑患有ASD，即其可能已经示出与所述疾病相关联的症状中的一些或全部。

在本发明的方法的实施例中，所述受验者是人。

术语“至少一个使用行为参数”意指可以根据本发明确定一个或多个使用行为参数，即至少两个、至少三个、至少四个、至少五个、至少六个、至少七个、至少八个、至少九个或至少十个或甚至更多个不同的行为参数。因此，对于根据本发明的方法可以确定的不同的使用行为参数的数量不存在上限。然而，典型地，所确定的移动设备使用数据的每个数据集将有一个和十二个之间的不同的使用行为参数。在实施例中，术语“使用行为参数”与术语“行为参数”可互换地使用。

如本文中所使用的术语“使用行为参数”在关于移动设备的实施例中指代指示受验者的使用行为的参数。这典型地包括更通常地在受验者穿戴或携带该设备或与其物理接近时测量的受验者的行为。例如，根据本发明的移动设备可以是智能电话。根据本发明的要应用的数据集应包括在预定义时间段内记录的针对所述智能电话的使用数据。基于所述数据，可以计算反映受验者关于智能电话的使用行为的使用行为参数，例如频率、使用或不使用（被动使用）的种类或使用强度等。更典型地，（一个或多个）使用行为参数应当是选自表1和/或表2的记录变量，下面在实施例中，是选自由以下各项组成的组的记录变量：电话和app使用参数，特别是联系人（ID的数量）、呼叫（频率、时间、持续时间、方向（即呼入或呼出呼叫））、消息SMS（频率、使用的字符数、持续时间、方向）、应用（App）使用（App的名称、频率、时间、持续时间）、使用中的屏幕（频率、时间、持续时间）、WIFI和/或蓝牙使用（可见WIFI和/或蓝牙连接的数量、使用的连接的数量）、环境声音参数，特别是音量和音高（pitch）（音量功率、时间）、言语分类器（频率、时间、持续时间）、梅尔频率倒频谱系数、移动参数，特别是活动参数（三轴加速度（20Hz）、时间）、位置（模糊GPS，即行进的距离和方向）、以及光和接近度参数（随时间变化的环境光的量、随时间变化的物体的接近度）。此外，根据本发明的方法，触摸行为参数可以被用作（一个或多个）行为参数。典型地，可以设想触摸互动，特别是向下触摸、滑动和向上触摸、触摸移动的长度和方向性、仅触摸事件的Y坐标、时间戳、其是否发生在键盘上、和/或键入行为，特别是字符类型（字母、数字、标点符号、编辑字符、功能键、表情符号）、仅用于以下字符类型的实际字符：标点符号（例如句号、感叹号、编辑字符（例如空格、删除、退格）、时间戳。因此，更典型地，（一个或多个）使用行为参数在精神分裂症的情况下应该是选自下面的表3的记录变量，或者在自闭症谱系障碍的情况下应该是选自下面的表6的记录变量。

在实施例中，典型的行为参数可以选自以下内容：

这些典型地包括针对语音特性、言语的量和/或谈话期间的轮换行为的数据。更典型地，支持人员可以每周记录与待调查的受验者的谈话。从记录的谈话提取允许频谱、语义和情感分析的特征。标识语音的特性，诸如音高、音量、闪烁（shimmer）和颤抖（jitter）。谈话期间的轮换行为应被分析以及重复涉及相同的主题。各种计算机实现的言语分析以及深度学习算法都可以被用于分析。

这些典型地包括针对社交互动和/或移动模式的数据。可以通过使用放置在家庭中并由家庭成员携带的蓝牙发射器来确定社交和非社交房间中的时间以及与其他人接近的时间。房间和家庭成员可以贴标签，使得分析受验者的位置和互动是可能的。此外，可以测量位置和身体移动的熵，指示受验者在白天期间的移动模式的不规律性或规律性。这可以通过使用在受验者处的移动设备（诸如智能手表）来实现。

这些典型地包括针对重复和/或定型移动的频率和持续时间的数据。可以通过使用在受验者处的移动设备（诸如智能手表）来测量由受验者执行的重复移动的频率和持续时间。重复移动可以由支持人员和对记录的和手动注释的移动数据集的计算机实现的模式识别和深度学习算法的随后训练来标识。

这些典型地包括针对睡眠潜伏期、睡眠效率、睡眠时间、睡眠开始后醒来和/或嗜睡的数据。可以基于针对受验者在夜间的移动数据来提取睡眠模式。典型地，受验者在夜间（以例如每周两天）穿戴移动设备（诸如智能手表）。睡眠开始的时间和/或睡眠持续时间可以通过分析睡眠行为数据的计算机实现的算法来确定。

这些典型地包括针对心率变异性的数据。已经知道焦虑与降低的心率变异性相关联并且是ASD中的共病。典型地，从由诸如在受验者处的智能手表的移动设备连续地测量的心率的数据集来确定取决于社交位置和不寻常的常规的心率变异性。移动设备记录来自受验者的PPG信号，并经由GPS确定位置。环境噪声记录也可以被用于评价社交互动的社交背景。

这些典型地包括来自计算机实现的眼睛测试中的读心术（RMET）的数据，特别是用于识别测试中由任务模拟的情绪的情绪强度，在测试期间用于执行任务的响应和决策时间。在移动设备上的计算机实现的测试中，受验者被暴露于面部表情的静态图像。静态图像上示出的情绪的强度由自适应算法改变。当受验者识别图像上的情绪并在量表上对情绪的程度或种类贴标签时，受验者必须在屏幕上轻敲。关于测试的更多细节可以在下面的随附示例中找到。

这些典型地包括来自计算机实现的用于工作记忆的测试的数据。典型地，该测试可以通过游戏实现如下：计算机实现的算法在移动设备的屏幕上描绘鸡。所述鸡下蛋。如果受验者在鸡上轻敲，则鸡蛋变得可视化。鸡只能下一次蛋。受验者必须记住屏幕上描绘的鸡何时已经下蛋。鸡只能检查一次蛋。该算法记录其中受验者检查鸡两次或更多次的试验的次数，以及其中受验者检查已经下蛋的鸡的试验的次数。基于这些结果，生成指示受验者的工作记忆的数据。关于测试的更多细节可以在下面的随附示例中找到。

这些典型地包括来自计算机实现的评估合作行为的测试的数据。在变体中，以受控的方式改变计算机代理的行为，并且关于受验者是否理解代理的意图来量化受验者的行为。

典型地，该测试可以通过游戏实现如下：受验者与计算机代理玩轮换游戏。如果它与可能是计算机实现的算法的其他玩家或可能或可能不为受验者所知的真实玩家合作，则它可能追逐货币一倍价值的硬币，或者它可能追逐超过一倍货币价值的宝箱。合作事件的数量被计算并用于生成指示合作行为的数据。关于测试的更多细节可以在下面的随附示例中找到。特别地，可以以以下方式扩展实现的测试：受验者观察两台玩游戏的计算机并且必须对结果下注。该测试的变体具有区分不愿意合作和无法标识合作行为的潜力。

这些典型地包括来自计算机实现的测试的数据，该测试用于通过谈话和环境声音在视觉上标识社交和非社交元素、语音特性和/或说话者识别。受验者被暴露于包含社交和非社交元素的在移动设备的屏幕上的图像。它被要求交流和记录图像上发生了什么。手指运动跟踪被用于调查图像的社交和非社交方面的检查时间。从记录中分析语音特性（音高、音量、闪烁、颤抖）。此外，针对谈话和环境声音数据中的说话者标识来提取声学指纹。基于这些记录的数据，可以通过计算机实现的模式识别和深度学习算法来生成指示图像探索能力、嗓音属性和说话者识别的数据。已经知道，患有ASD的受验者具有表现出非典型的言语的声学模式的倾向，并且具有关注于图像的非社交元素的倾向。

更典型地，至少一个使用行为参数可以是前述参数的组合。例如，可以设想以下组合：

电话和app使用参数、环境声音、移动参数、以及光和接近度参数；

电话和app使用参数、移动参数、以及光和接近度参数；

电话和app使用参数、环境声音、以及光和接近度参数；

电话和app使用参数、环境声音和移动参数；

环境声音、移动参数以及光和接近度参数；

电话和app使用参数和环境声音；

电话和app使用参数以及移动参数；

电话和app使用参数、以及光和接近度参数；

环境声音和移动参数；

环境声音、以及光和接近度参数。

在实施例中，至少一个行为参数是与如上阐述的触摸行为参数结合的前述组合中的任何组合。

在本发明的方法的实施例中，所述至少一个使用行为参数是根据下面的表1、2和/或3的记录变量。

更典型地，至少一个行为参数可以是前述参数的组合。例如，可以设想以下组合：

（i）指示谈话技能和痴迷兴趣的数据；

（iv）指示睡眠行为的数据；

（v）指示焦虑的数据；

（vi）指示情绪识别的数据；

（vii）指示空间工作记忆的数据；

（viii）指示合作行为的数据；以及

（ix）指示图像探索能力、嗓音属性和说话者识别的数据

或者

（i）指示谈话技能和痴迷兴趣的数据；

（ii）指示社交性和常规的数据；

（iii）指示重复移动的数据；

（v）指示焦虑的数据；

（vi）指示情绪识别的数据；

（vii）指示空间工作记忆的数据；

（viii）指示合作行为的数据；以及

（ix）指示图像探索能力、嗓音属性和说话者识别的数据。

在针对移动设备的实施例中，术语“包括使用数据的数据集”指代反映或指示由移动设备执行或用移动设备执行的不同用途或任务的数据的整体，所述数据已经在第一时间窗口内由移动设备记录或从移动设备获取。如在该背景中所指代的第一时间窗口是其中受验者使用或被怀疑使用移动设备的预定义时间窗口，即它是在其期间记录或获取数据集的时间段。使用数据典型地可以是电话使用数据、应用（App）使用数据、环境噪声数据、移动捕获数据和/或位置捕获数据。第一时间窗口可以具有适用于记录数据的任何长度，该数据可以被用于导出有意义的至少一个使用行为参数。例如，如果应该测量电话呼叫的持续时间，则所述第一时间窗口应该至少在所述电话呼叫内持续。典型地，在标准化的时间窗口内记录使用数据，该标准化的时间窗口例如一个或多个小时、一天或多天、一周或多周、或一月或多月。取决于受验者和环境，技术人员熟知如何选择合适的重新定义的第一时间窗口，以用于记录或获取包括行为数据的数据集的目的。

在本发明的方法的实施例中，针对移动设备的所述使用数据包括选自由以下各项组成的组的数据：电话使用数据、应用（App）使用数据、环境噪声数据、移动捕获数据和位置捕获数据。

在实施例中，如本文中所使用的术语“移动设备”指代包括适用于获得数据集的至少一个传感器和数据记录装备的任何便携式设备（比如移动电话、智能手表以及诸如此类），所述数据集包括使用数据。这可能还需要数据处理器和存储单元、语音记录设备、扬声器以及用于在移动设备上接收来自受验者的输入的显示器。此外，根据受验者的活动应将数据记录并编译为将在移动设备本身上或者在第二设备上通过本发明的方法来评价的数据集。取决于所设想的特定设置，移动设备包括数据传输装备以便将所获取的数据集从移动设备传送到另外的设备，这可能是必要的。特别适合作为根据本发明的移动设备的是智能电话、便携式多媒体设备或平板计算机。替代地，可以使用具有数据记录和处理装备的便携式传感器。然而，在实施例中，移动设备还应当包括具有数据记录器的扬声器系统，诸如来自amazon的回声或Alexa设备或Sonos系统。

在本发明的方法的实施例中，所述移动设备是智能电话、智能手表、可穿戴传感器、便携式多媒体设备或平板计算机。

确定至少一个使用行为参数可以通过从包括在第一预定义时间窗口内的使用数据的数据集直接导出期望的测量值来实现，其中所述移动设备已经被受验者使用。替代地，使用行为参数可以整合来自数据集的一个或多个测量值，并且因此，可以通过诸如计算之类的数学运算从数据集导出。典型地，通过自动化算法（例如通过计算机程序）从数据集导出表现参数，所述计算机程序当被有形地嵌入在由所述数据集进给（feed）的数据处理设备上时自动地从数据集导出使用行为参数。

如本文中所使用的术语“参考”指代允许评估受验者中的ASD并且优选地评估与其相关联的症状的改善的鉴别器。这样的鉴别器可以是用于指示受验者的使用行为参数的值，该受验者患有ASD，并且优选地，表现出与其相关联的症状，或者未患有ASD，并且优选地，表现出与其相关联的症状。

原则上，这样的参考的值可以从已知患有ASD的受验者或受验者的组、并且特别是表现出与其相关联的症状的受验者或受验者的组导出。如果所确定的使用行为参数与参考相同或高于从参考导出的阈值，则受验者可以被标识为患有ASD，并且优选地，与其相关联的症状。如果所确定的使用行为参数不同于参考，并且特别是低于所述阈值，则受验者应被标识为未患有ASD或具有ASD的改善，或至少具有与其相关联的症状的改善。

替代地，它可以从已知未患有ASD的受验者或受验者的组、并且特别是未表现出与其相关联的症状的受验者或受验者的组导出。如果来自受验者的确定的表现参数与参考相同或低于从参考导出的阈值，则受验者可以被标识为未患有ASD或至少具有与其相关联的症状的改善。如果所确定的表现参数不同于参考，并且特别是高于所述阈值，则该受验者应被标识为患有ASD，并且优选地，与其相关联的症状。

更典型地，参考可以是来自包括在第二预定义时间窗口内的针对移动设备的使用数据的先前确定的使用行为参数，其中所述移动设备已经被受验者使用，其中所述第二时间窗口已经在第一时间窗口之前。在这样的情况下，相对于先前确定的使用行为参数不同的、来自实际数据集的确定的使用行为参数应根据疾病的先前状态或伴随其的症状以及由使用行为参数表示的使用的种类来指示改善或恶化。基于使用的种类和先前的使用行为参数，技术人员知道如何可以将所述参数用作参考。确定的使用行为参数和参考之间的典型差异通过针对记录变量的预期变化来反映，所述记录变量指示在表1、2和/或3中列出的改善，在实施例中，指示在下面的表4中列出的改善。

典型地，如果与如表1、2和/或3中所指示的参考、在实施例中在下面的表4中所指示的参考相比，至少一个使用行为参数改善，则确定与ASD相关联的至少一种症状的改善。

在本发明的方法的实施例中，所述参考是至少一个使用行为参数，该使用行为参数已经在包括在第一预定义时间窗口之前的第二预定义时间窗口内的使用数据的数据集中确定。第一和第二时间窗口可以由第三预定义时间段（即预定义监视时段）分离。典型地，这样的时段也可以取决于范围从几天到几周到几月到几年的第一和第二时间窗口的长度，这取决于疾病进展、状态或发展或针对个体受验者的疗法措施的持续时间。

通过在诸如计算机之类的数据处理设备上实现的自动化比较算法，可以实现将所确定的至少一个使用行为参数与参考进行比较。彼此比较的是所确定的使用行为参数的值和所述所确定的使用行为参数的参考，如本文中别处详细指定的那样。作为比较的结果，可以评估所确定的使用行为参数与参考相同或不同，还是与参考有某种关系（例如，大于或低于参考）。基于所述评估，受验者可以被标识为患有ASD，并且优选地，表现出与其相关联的症状（“划入（rule-in）”），或者不表现出与其相关联的症状（“划去（rule-out）”）。为了评估，将考虑参考的种类，如结合根据本发明的合适参考在别处所描述的那样。

此外，通过确定所确定的使用行为参数与参考之间的差异的程度，对ASD的定量评估应是可能的。要理解，可以通过将实际地确定的使用行为参数与用作参考的较早前确定的使用行为参数相比较来确定改善、恶化或未改变的总体疾病状况或其症状。基于所述使用行为参数的值中的定量差异，可以确定并可选地还量化改善、恶化或未改变的状况。如果使用其他参考，诸如来自患有ASD的受验者的参考，则将理解，定量差异在某个疾病阶段可以被分配给参考集体的情况下是有意义的。相对于该疾病阶段，可以在这样的情况下确定并可选地还量化恶化、改善或未改变的疾病状况。

对受验者中的ASD的评估可以被指示给受验者或另一个人，诸如医疗从业者。典型地，这通过在移动设备或评价设备的显示器上显示评估结果来实现。替代地，针对疗法的建议（诸如药物治疗）或针对某种生活方式的建议（例如，某种营养饮食或康复措施）被自动地提供给受验者或其他人。为此目的，将所确定的诊断与分配给数据库中的不同诊断的建议相比较。一旦所确定的诊断与所存储和分配的诊断中的一个匹配，由于将建议分配给与所确定的诊断匹配的所存储的诊断，就可以标识合适的建议。因此，典型地设想了建议和诊断以关系数据库的形式存在。然而，允许标识合适的建议的其他布置也是可能的并且为技术人员所知。

因此，在实施例中，本发明的方法还包括确定ASD疗法或针对至少与其相关联的症状的疗法是否是成功的。

在这样的情况下，典型地，在第二和第一时间窗口之间，受验者已经接受ASD疗法或针对至少与其相关联的症状的疗法。更典型地，所述疗法是基于药物的疗法。

与ASD相关联的至少一种症状的改善典型地指示成功疗法。

此外，一个或多个使用行为参数也可以被存储在移动设备上，或者典型地实时指示给受验者。存储的使用行为参数可以被组合成时间进程或类似的评价措施。这样的评价表现参数可以作为对于根据本发明的方法调查的使用行为的反馈而提供给受验者。典型地，这样的反馈可以以电子格式在移动设备的合适显示器上提供，并且可以被链接到针对如上面指定的疗法或康复措施的建议。

此外，评价使用行为参数还可以被提供给医生的办公室或医院中的医疗从业者以及其他健康护理提供者，诸如在临床试验的背景下的诊断测试的开发者或药物开发者、健康保险提供者或者公共或私人健康护理系统的其他利益相关者（stakeholder）。

典型地，用于评估受验者中的ASD的本发明的方法可以如下执行：

首先，从现有数据集确定至少使用行为参数，在实施例中，所述现有数据集包括第一预定义时间窗口的针对移动设备的使用数据，其中所述移动设备已经被受验者使用。所述数据集可以已经从移动设备被传输到诸如计算机的评价设备，或者可以在移动设备中被处理，以便从数据集导出至少使用行为参数。

第二，通过例如使用由移动设备的数据处理器或者由评价设备（例如，计算机）所执行的计算机实现的比较算法来将所确定的至少使用行为参数与参考相比较。相对于在比较中使用的参考评估比较的结果，并且基于所述评估，受验者将被标识为患有ASD的受验者，或者未患有ASD的受验者，或者表现出与其相关联的症状的改善的受验者，或者未表现出与其相关联的症状的改善的受验者。

第三，所述评估的结果被指示给受验者或被指示给另一个人，诸如医疗从业者。然而，将理解，对于最终的临床诊断或评估，另外的因素或参数可以被临床医生考虑。

此外，针对疗法的建议被自动地提供给受验者或另一个人。为此目的，将所确定的诊断与分配给数据库中的不同诊断的建议相比较。一旦所确定的诊断与所存储和分配的诊断中的一个匹配，由于将建议分配给与所确定的诊断匹配的所存储的诊断，就可以标识合适的建议。典型的建议涉及用神经递质再摄取抑制剂（氟西汀）、三环抗抑郁药（丙咪嗪）、抗惊厥药（拉莫三嗪）、非典型抗精神病药（氯氮平）和乙酰胆碱酯酶抑制剂（利凡斯的明）的疗法。此外，心理和/或社交咨询也是合适的措施。

此外，本发明还提供了一种用于建议用于ASD的疗法的方法，该方法包括以下步骤：

（a）通过执行之前描述的本发明的方法评估ASD；以及

（b）基于步骤（a）中提供的评估来建议针对ASD的疗法。

如本文中所使用的术语“建议”意指针对支持性措施或其组合确定建议，该建议可以被应用于受验者。然而，要理解，该术语可能不包括应用实际疗法。

典型地，在该背景下，针对ASD的所述疗法包括通过选自由以下各项组成的组的至少一种药物治疗：加压素1a拮抗剂，更特别地是巴洛普坦；N-甲基-D-天冬氨酸（NMDA）受体拮抗剂，特别是美金刚胺（memantine）或RVT-701；脂肪酸酰胺水解酶（FAAH）的选择性抑制剂，特别是JNJ-5279；GABA调节剂，特别是GABA Aa5阳性变构调节剂（PAM），特别是RG7816；GABA A调节剂或选择性GABA-B兴奋剂，特别是阿巴氯芬；mGlu4/7阳性变构调节剂；催产素，特别是OPN-300；乙酰胆碱酯酶抑制剂，特别是多奈哌齐；赖氨酸（K）特异性去甲基酶1A/单胺氧化酶B的双重抑制剂，特别是伐替司他（Vafidemstat）；酪氨酸羟化酶抑制剂，特别是L1-79；选择性和不可逆的小分子非ATP竞争性糖原合酶激酶3（GSK-3）抑制剂，特别是Tideglusib；淀粉酶；脂肪酶和蛋白酶调节酶，比如CM-AT；NKCC1阳离子-氯化物共转运阻滞剂，特别是布美他尼；微生物群转移疗法，特别是FSM®；微生物群调节剂，特别是AB-2004；选择性5-羟色胺再摄取抑制剂（selective serotonin reuptake inhibitor），特别是氟西汀；多巴胺2受体拮抗剂，特别是利培酮、齐拉西酮或卢拉西酮；非欣快大麻素，特别是Zygel；植物大麻素，特别是次大麻二酚；阿木阿片受体拮抗剂（a mu-opioid receptorantagonist），特别是纳洛酮或纳曲酮或脂肪酸ω-3或亚叶酸治疗。

然而，作为替代或附加地，作为诊断基础的至少使用行为参数将被存储在移动设备上。典型地，它应通过合适的评价工具（诸如时间进程组装算法）与其他存储的表现参数一起来评价，所述合适的评价工具在移动设备上实现，所述移动设备可以如本文中别处所指定的那样电子地协助疗法建议。

鉴于以上内容，本发明还具体地考虑了一种评估ASD和优选地受验者中的与其相关联的症状的改善的方法，其包括以下步骤：

a）从使用移动设备的所述受验者获得数据集，该数据集包括在第一预定义时间窗口内的来自移动设备的使用数据，其中所述移动设备已经被受验者使用；

b）确定从所述数据集确定的至少一个使用行为参数；

c）将所确定的至少一个使用行为参数与参考进行比较；以及

d）基于在步骤（b）中执行的比较，典型地，通过确定受验者是否患有ASD或表现出与其相关联的症状的改善，来评估ASD，并且优选地评估受验者中的与其相关联的症状的改善。

有利地，已经在作为本发明基础的研究中发现，从数据集获得的使用行为参数可以被用于评估所述受验者中的ASD，所述数据集包括在第一预定义时间窗口内的针对移动设备的使用以及其他数据，其中所述移动设备已经被受验者使用。具体地，所述使用行为参数可以被用于标识所述受验者中与ASD相关联的症状的改善，并因此帮助对受验者的监视，所述受验者例如如本文中别处指定的经历ASD疗法的受验者。可以通过使用诸如无所不在的智能电话、便携式多媒体设备或平板计算机之类的移动设备（在实施例中，传感器设备）来以方便的方式从ASD患者获取所述数据集，受验者在所述移动设备上执行主动或被动测试（在实施例中，执行压力测试）。随后可以通过本发明的方法来评价获取的数据集以得到适合作为数字生物标记的使用行为参数。可以在相同的移动设备上执行所述评价或者可以在分离的远程设备上执行它。此外，通过使用这样的移动设备，可以直接地向患者提供关于疗法措施的建议，即无需在医生的办公室或医院救护车中咨询医疗从业者。归功于本发明，由于通过本发明的方法使用实际确定的使用行为参数，可以将ASD患者的生活状况更精确地调整到实际的疾病状态。从而，可以针对功效来评价药物治疗，并且可以使剂量方案适于患者的当前状态。要理解，本发明的方法典型地是需要来自受验者的现有数据集的数据评价方法。在该数据集内，该方法确定至少一个使用行为参数，该使用行为参数可以被用于评估ASD。

因此，本发明的方法可以用于：

-评估疾病状况；

-监视患者，特别是在现实生活、日常情况中和以大规模地监视患者；

-支持患者疗法建议；

-调查药物功效，例如还在临床试验期间调查药物功效；

-促进和/或帮助疗法决策制定；

-支持医院管理；

-支持健康保险评估和管理；和/或

-支持公共卫生管理中的决策。

本发明还考虑了一种用于治疗和/或预防患有或怀疑患有ASD的受验者中的ASD的方法，该方法包括：

（a）通过执行之前描述的本发明的方法评估ASD；以及

（b）基于步骤（a）中提供的评估来应用针对ASD的疗法。

典型地，在该背景下，针对ASD的所述疗法包括通过选自由以下各项组成的组的至少一种药物治疗：加压素1a拮抗剂，更特别地是巴洛普坦；N-甲基-D-天冬氨酸（NMDA）受体拮抗剂，特别是美金刚胺或RVT-701；脂肪酸酰胺水解酶（FAAH）的选择性抑制剂，特别是JNJ-5279；GABA调节剂，特别是GABA Aa5阳性变构调节剂（PAM），特别是RG7816；GABA A调节剂或选择性GABA-B兴奋剂，特别是阿巴氯芬；mGlu4/7阳性变构调节剂；催产素，特别是OPN-300；乙酰胆碱酯酶抑制剂，特别是多奈哌齐；赖氨酸（K）特异性去甲基酶1A/单胺氧化酶B的双重抑制剂，特别是伐替司他；酪氨酸羟化酶抑制剂，特别是L1-79；选择性和不可逆的小分子非ATP竞争性糖原合酶激酶3（GSK-3）抑制剂，特别是Tideglusib；淀粉酶；脂肪酶和蛋白酶调节酶，比如CM-AT；NKCC1阳离子-氯化物共转运阻滞剂，特别是布美他尼；微生物群转移疗法，特别是FSM®；微生物群调节剂，特别是AB-2004；选择性5-羟色胺再摄取抑制剂，特别是氟西汀；多巴胺2受体拮抗剂，特别是利培酮、齐拉西酮或卢拉西酮；非欣快大麻素，特别是Zygel；植物大麻素，特别是次大麻二酚；阿木阿片受体拮抗剂，特别是纳洛酮或纳曲酮或脂肪酸ω-3或亚叶酸治疗。所述药物将以治疗有效量在用于治疗和/或预防ASD的前述方法中施用（administer）给受验者。用于治疗或预防ASD的治疗有效量在针对前述药物的领域中是已知的，并且在没有另外困难的情况下可以由医疗从业者确定或采用。具体地，在确定合适的剂量或剂量方案时，可以考虑诸如年龄、性别、体重、病史、总体健康和良好状态以及诸如此类的因素。

如本文中所使用的术语“治疗”典型地指代治愈或改善ASD或其症状中的至少一种。如本文中所使用的术语“预防”典型地指代在特定时间窗口内显著降低ASD的发作（onset）的可能性。

本发明还考虑了一种计算机程序、计算机程序产品或具有有形地嵌入所述计算机程序的计算机可读存储介质，其中所述计算机程序包括当在数据处理设备或计算机上运行时执行如上面指定的本发明的方法的指令。具体地，本公开进一步包括：

-包括至少一个处理器的计算机或计算机网络，其中该处理器适于执行根据本说明书中描述的实施例之一的方法，

-计算机可加载数据结构，当数据结构在计算机上执行时，该计算机可加载数据结构适于执行根据本说明书中描述的实施例之一的方法，

-计算机脚本，其中当程序在计算机上执行时，计算机程序适于执行根据本说明书中描述的实施例之一的方法，

-包括程序装置的计算机程序，该程序装置用于当计算机程序在计算机上或计算机网络上执行时，执行根据本说明书中描述的实施例之一的方法，

-包括根据前述实施例的程序装置的计算机程序，其中程序装置被存储在对计算机可读的存储介质上，

-存储介质，其中数据结构被存储在存储介质上，并且其中数据结构适于在已经被加载到计算机或计算机网络的主存储装置和/或工作存储装置中之后执行根据本说明书中描述的实施例之一的方法，

-具有程序代码装置的计算机程序产品，其中该程序代码装置可以被存储或被存储在存储介质上，如果该程序代码装置在计算机上或计算机网络上执行，则用于执行根据本说明书中描述的实施例之一的方法，

-典型地被加密的数据流信号，其包括数据集，所述数据集包括在第一预定义时间窗口内的来自移动设备的使用数据，其中所述移动设备已经被受验者使用，以及

-典型地被加密的数据流信号，其包括从数据集导出的至少一个使用行为参数。

本发明进一步涉及一种用于从数据集确定至少一个使用行为参数的方法，该数据集包括在第一预定义时间窗口内的来自移动设备的使用数据，其中所述移动设备已经被受验者使用：

a）从所述数据集导出至少一个使用行为参数；以及

b）将确定的至少一个使用行为参数与参考进行比较，

其中，典型地，所述至少一个使用行为参数可以帮助评估ASD，并且优选地，评估所述受验者中的与其相关联的症状的改善。

本发明涉及一种移动设备，该移动设备包括处理器、记录使用行为数据的至少一个传感器、和数据库以及软件，该软件被有形地嵌入到所述设备，并且当在所述设备上运行时，执行本发明的方法。

所述移动设备因此被配置成能够获取数据集并且从其中确定使用行为参数。此外，它被配置成执行与参考的比较，并确定ASD的评估，如本文中别处详细描述的那样。

本发明进一步涉及一种包括移动设备和远程设备的系统，该移动设备包括记录使用数据的至少一个传感器，该远程设备包括处理器和数据库以及软件，该软件被有形地嵌入到所述设备，并且当在所述设备上运行时，执行本发明的方法，其中所述移动设备和所述远程设备被可操作地彼此链接。

在“可操作地彼此链接”下，要理解，设备被连接以允许数据从一个设备传送到另一个设备。典型地，设想至少从受验者获取数据的移动设备被连接到执行本发明的方法的步骤的远程设备，使得所获取的数据可以被传输到远程设备以供处理。然而，远程设备也可以向移动设备传输数据，该数据诸如控制或监督其适当功能的信号。在移动设备与远程设备之间的连接可以通过永久或临时的物理连接来实现，所述物理连接诸如同轴、纤、光纤或双绞线、10 BASE-T线缆。替代地，它可以通过使用例如无线电波的临时或永久无线连接来实现，所述无线连接诸如Wi-Fi、LTE、高级LTE或蓝牙。另外的细节可以在本说明书中的别处找到。对于数据获取，移动设备可以包括用户接口，诸如屏幕或用于数据获取的其他装备。

本发明进一步考虑了使用本发明的移动设备或系统来评估ASD，包括分析包括在第一预定义时间窗口内的来自移动设备的使用数据的数据集，其中所述移动设备已经被受验者使用（典型地，根据本发明的方法）。

在下文中，列出了本发明的另外的特定实施例：

实施例1.一种评估受验者中的精神分裂症或自闭症谱系障碍的方法，包括以下步骤：

a）从数据集确定至少一个使用行为参数，该数据集包括在第一预定义时间窗口内的针对移动设备的使用数据，其中所述移动设备已经被受验者使用；以及

b）将确定的至少一个使用行为参数与参考进行比较，从而将评估精神分裂症或自闭症谱系障碍。

实施例2.实施例1的方法，其中所述评估精神分裂症包括评估与精神分裂症相关联的至少一种阴性症状，所述阴性症状选自由以下各项组成的组：无社会性、失语、冷漠、快感缺乏和注意力受损，并且其中所述评估自闭症谱系障碍包括评估与自闭症谱系障碍相关联的至少一种阴性症状，所述阴性症状选自由以下各项组成的组：社交交流和社交互动，以及行为、兴趣或活动的受限、重复模式。

实施例3.实施例2的方法，其中所述评估精神分裂症或自闭症谱系障碍包括确定与精神分裂症或自闭症谱系障碍相关联的至少一种阴性症状的改善。

实施例4.实施例1至3中的任一项的方法，其中，所述针对移动设备的使用数据包括选自由以下各项组成的组的数据：电话使用数据、应用（App）使用数据、环境噪声数据、移动捕获数据和位置捕获数据。

实施例5.实施例1至4中的任一项的方法，其中所述至少一个使用行为参数在精神分裂症的情况下是根据表1、2和/或3的记录变量，并且在自闭症谱系障碍的情况下是根据表4、5和/或6的记录变量。

实施例6.实施例5的方法，其中，如果与在精神分裂症的情况下如表1 2和/或3中所指示的参考以及在自闭症谱系障碍的情况下如表4、5和/或6中所指示的参考相比，至少一个使用行为参数改善，则确定与精神分裂症或自闭症谱系障碍相关联的至少一种阴性症状的改善。

实施例7.实施例1至6中的任一项的方法，其中所述参考是至少一个使用行为参数，该使用行为参数已经在包括在第一预定义时间窗口之前的第二预定义时间窗口内的针对移动设备的使用数据的数据集中确定。

实施例8.实施例7的方法，其中在第二和第一时间窗口之间，受验者已经接受精神分裂症或自闭症谱系障碍疗法或针对至少与其相关联的阴性症状的疗法。

实施例9.实施例9的方法，其中所述疗法是基于药物的疗法。

实施例10.实施例8或9的方法，其中与精神分裂症或自闭症谱系障碍相关联的至少一种阴性症状的改善指示成功疗法。

实施例11.实施例1至10中的任一项的方法，其中，所述移动设备是智能电话、智能手表、可穿戴传感器、便携式多媒体设备或平板计算机。

实施例12.实施例1至11中的任一项的方法，其中所述受验者是人。

实施例13.一种移动设备，包括处理器、记录使用数据的至少一个传感器、和数据库以及软件，该软件被有形地嵌入到所述设备，并且当在所述设备上运行时，执行实施例1至12中的任一项的方法。

实施例14.一种包括移动设备和远程设备的系统，所述移动设备包括记录使用数据的至少一个传感器，所述远程设备包括处理器和数据库以及软件，所述软件被有形地嵌入到所述设备，并且当在所述设备上运行时，执行实施例1至12中的任一项的方法，其中所述移动设备和所述远程设备被可操作地彼此链接。

实施例15.根据实施例13的移动设备或实施例14的系统用于评估精神分裂症或自闭症谱系障碍分析数据集的用途，该数据集包括在第一预定义时间窗口内的针对移动设备的使用数据，其中所述移动设备已经被受验者使用。

实施例16：一种评估受验者中的自闭症谱系障碍（ASD）的方法，该方法包括以下步骤：

a）从数据集确定至少一个行为参数，该数据集包括来自第一预定义时间窗口的来自患有ASD的受验者的行为数据；以及

b）将确定的至少一个行为参数与参考进行比较，从而将评估ASD，

其中所述行为数据包括选自由以下各项组成的组的一个或多个数据：

（i）指示谈话技能和痴迷兴趣的数据；

（ii）指示社交性和常规的数据；

（iii）指示重复移动的数据；

（iv）指示睡眠行为的数据；

（v）指示焦虑的数据；

（vi）指示情绪识别的数据；

（vii）指示空间工作记忆的数据；

（viii）指示合作行为的数据；以及

（ix）指示图像探索能力、嗓音属性和说话者识别的数据。

实施例17：权利要求16的方法，其中，所述参考是至少一个行为参数，该行为参数已经在包括在第一预定义时间窗口之前的第二预定义时间窗口内的行为数据的数据集中确定。

实施例18：实施例16或17的方法，其中所述评估ASD包括评估与自闭症谱系障碍相关联的至少一种症状，所述症状选自由以下各项组成的组：社交交流和社交互动，以及行为、兴趣或活动的受限、重复模式。

实施例19：实施例18的方法，其中所述评估ASD包括确定与ASD相关联的至少一种症状的改善。

实施例20：实施例19的方法，其中如果至少一个行为参数如与表4中所指示的参考相比有改善，则确定与ASD相关联的至少一种症状的改善。

实施例21：实施例16至20中的任一项的方法，其中，包括行为数据的所述数据集已经从移动设备获得。

实施例22：实施例16至21中的任一项的方法，其中，指示谈话技能和痴迷兴趣的所述数据包括针对语音特性、言语的量和/或谈话期间的轮换行为的数据。

实施例23：实施例16至22中的任一项的方法，其中，指示社交性和常规的所述数据包括针对社交互动和/或移动模式的数据。

实施例24：实施例16至23中的任一项的方法，其中，指示重复移动的数据的所述数据包括针对重复和/或定型移动的频率和持续时间的数据。

实施例25：实施例16至24中的任一项的方法，其中，指示睡眠行为的所述数据包括针对睡眠潜伏期、睡眠效率、睡眠时间、睡眠开始后醒来和/或嗜睡的数据。

实施例26：实施例16至25中的任一项的方法，其中，指示焦虑的所述数据包括针对心率变异性的数据。

实施例27：实施例16至26中的任一项的方法，其中，指示情绪识别的所述数据包括来自计算机实现的眼睛测试中的读心术（RMET）的数据，特别是用于识别测试中由任务模拟的情绪的情绪强度，在测试期间用于执行任务的响应和决策时间。

实施例28：实施例16至27中的任一项的方法，其中，指示空间工作记忆的所述数据包括来自计算机实现的用于工作记忆的测试的数据。

实施例29：实施例16至28中的任一项的方法，其中，指示合作行为的所述数据包括来自计算机实现的评估合作行为的测试的数据。

实施例30：实施例16至29中的任一项的方法，其中，指示图像探索能力、嗓音属性和说话者识别的所述数据包括来自计算机实现的测试的数据，该测试用于通过谈话和环境声音在视觉上标识社交和非社交元素、语音特性和/或说话者识别。

实施例31：实施例16至30中的任一项的方法，其中，包括行为数据的所述数据集至少包括：

（i）指示谈话技能和痴迷兴趣的数据；

（iv）指示睡眠行为的数据；

（v）指示焦虑的数据；

（vi）指示情绪识别的数据；

（vii）指示空间工作记忆的数据；

（viii）指示合作行为的数据；以及

（ix）指示图像探索能力、嗓音属性和说话者识别的数据

或者

（i）指示谈话技能和痴迷兴趣的数据；

（ii）指示社交性和常规的数据；

（iii）指示重复移动的数据；

（v）指示焦虑的数据；

（vi）指示情绪识别的数据；

（vii）指示空间工作记忆的数据；

（viii）指示合作行为的数据；以及

（ix）指示图像探索能力、嗓音属性和说话者识别的数据。

实施例32：实施例16至31中的任一项的方法，其中所述受验者是人。

实施例33：一种用于建议用于ASD的疗法的方法，该方法包括以下步骤：

（a）通过执行实施例16至32中的任一项的方法评估ASD；以及

（b）基于步骤（a）中提供的评估来建议针对ASD的疗法，其中所述疗法针对ASD。

实施例34：一种用于治疗和/或预防患有或怀疑患有ASD的受验者中的ASD的方法，该方法包括：

（a）通过执行实施例16至32中的任一项的方法评估ASD；以及

（b）基于步骤（a）中提供的评估来应用针对ASD的疗法。

实施例35：实施例33或34的方法，其中ASD的所述疗法包括通过选自由以下各项组成的组的至少一种药物治疗：加压素1a拮抗剂，更特别地是巴洛普坦；N-甲基-D-天冬氨酸（NMDA）受体拮抗剂，特别是美金刚胺或RVT-701；脂肪酸酰胺水解酶（FAAH）的选择性抑制剂，特别是JNJ-5279；GABA调节剂，特别是GABA Aa5阳性变构调节剂（PAM），特别是RG7816；GABA A调节剂或选择性GABA-B兴奋剂，特别是阿巴氯芬；mGlu4/7阳性变构调节剂；催产素，特别是OPN-300；乙酰胆碱酯酶抑制剂，特别是多奈哌齐；赖氨酸（K）特异性去甲基酶1A/单胺氧化酶B的双重抑制剂，特别是伐替司他；酪氨酸羟化酶抑制剂，特别是L1-79；选择性和不可逆的小分子非ATP竞争性糖原合酶激酶3（GSK-3）抑制剂，特别是Tideglusib；淀粉酶；脂肪酶和蛋白酶调节酶，比如CM-AT；NKCC1阳离子-氯化物共转运阻滞剂，特别是布美他尼；微生物群转移疗法，特别是FSM®；微生物群调节剂，特别是AB-2004；选择性5-羟色胺再摄取抑制剂，特别是氟西汀；多巴胺2受体拮抗剂，特别是利培酮、齐拉西酮或卢拉西酮；非欣快大麻素，特别是Zygel；植物大麻素，特别是次大麻二酚；阿木阿片受体拮抗剂，特别是纳洛酮或纳曲酮或脂肪酸ω-3或亚叶酸治疗，在实施例35的特定子实施例中，是加压素1a拮抗剂，更特别地是巴洛普坦；GABA-Aa5 PAM；GABA-A调节剂；mGlu4/7 PAM；多巴胺2受体拮抗剂，特别是利培酮；阿木阿片受体拮抗剂，特别是纳洛酮；和NMDA谷氨酸受体拮抗剂，特别是美金刚胺。

实施例36：一种移动设备，包括处理器、记录行为数据的至少一个传感器、和数据库以及软件，所述软件被有形地嵌入到所述设备，并且当在所述设备上运行时，执行实施例16至34中的任一项的方法。

实施例37：一种包括移动设备和远程设备的系统，所述移动设备包括记录行为数据的至少一个传感器，所述远程设备包括处理器和数据库以及软件，所述软件被有形地嵌入到所述设备，并且当在所述设备上运行时，执行实施例16至34中的任一项的方法，其中所述移动设备和所述远程设备被可操作地彼此链接。

实施例38：根据实施例36的移动设备或实施例37的系统用于评估ASD的用途。

实施例39.一种评估受验者中的自闭症谱系障碍（ASD）的方法，包括以下步骤：

a）从数据集确定至少一个使用行为参数，该数据集包括在第一预定义时间窗口内的针对移动设备的使用数据，其中所述移动设备已经被受验者使用；以及

b）将确定的至少一个使用行为参数与参考进行比较，从而将评估自闭症谱系障碍。

实施例40.实施例39的方法，其中所述评估自闭症谱系障碍包括评估与自闭症谱系障碍相关联的至少一种阴性症状，所述阴性症状选自由以下各项组成的组：社交交流和社交互动，以及行为、兴趣或活动的受限、重复模式。

实施例41.实施例40的方法，其中所述评估自闭症谱系障碍包括确定与自闭症谱系障碍相关联的至少一种阴性症状的改善。

实施例42.实施例39至41中的任一项的方法，其中，所述针对移动设备的使用数据包括选自由以下各项组成的组的数据：电话使用数据、应用（App）使用数据、环境噪声数据、移动捕获数据和位置捕获数据。

实施例43.实施例39至42中的任一项的方法，其中，所述至少一个使用行为参数是选自由以下各项组成的列表的记录变量：

（i）电话和/或app使用，在实施例中是日志记录的联系人、日志记录的呼叫、日志记录的SMS、日志记录的app使用、日志记录的屏幕打开和/或日志记录的WIFI和蓝牙；

（ii）环境声音，在实施例中是环境声音的音量、时间和/或音高，和/或言语的频率、时间和/或持续时间；

（iii）移动，在实施例中是活动水平和/或位置数据；

（iv）光和接近度数据，在实施例中是电话处置；

（v）触摸行为，在实施例中是触摸互动和/或键入行为。

实施例44.实施例43的方法，其中，如果在自闭症谱系障碍的情况下，至少一个使用行为参数改善如下，则确定与自闭症谱系障碍相关联的至少一个阴性症状的改善：

（i）电话和/或app使用：呼叫的联系人的数量增加、电话呼叫持续时间增加和SMS中的字符数增加、非社交app和/或游戏的时间和频率减少、在社交app中的频率和花费的时间中的增加、使用App花费的时间的总量减少、每次患者使用电话时的解锁持续时间减少、白天期间的网络（WIFI）和设备（蓝牙）的数量增加、连接到最常用网络（家）的持续时间减少和/或连接到与最常用网络不同的网络的持续时间增加；

（ii）环境声音：白天期间的音量增加、早上期间环境声音的更大增加、有声帧中的音高更高、有声和无声帧的比率增加、有声帧中的持续时间增加和/或在社交位置中花费的时间更多；

（iii）移动：白天期间的活动增加、夜间期间的活动减少、行走持续时间增加、行走更长、不移动的持续时间减少、车上行进的时间增加、参观的新位置的数量增加、白天期间走过（cover）的距离更长和/或在单个位置（家）中花费的时间减少；

（iv）光和接近度数据：电话在口袋中的持续时间增加和/或在黑暗中电话的使用的持续时间减少；和/或

（v）触摸行为：非社交app和/或游戏中的活动和互动减少、与社交app的互动增加；如通过滑动手势测量的App中的浏览行为减少；昼夜节律的变化，在实施例中是夜间时/黑暗中的互动减少；键入行为的量增加；社交app中键入行为的量增加；某些标点符号的使用增加，在实施例中是问号和感叹号的使用增加；键入行为更快。

45.实施例39至44中的任一项的方法，其中所述参考是至少一个使用行为参数，所述使用行为参数已经在包括在第一预定义时间窗口之前的第二预定义时间窗口内的针对移动设备的使用数据的数据集中确定。

实施例46.实施例45的方法，其中在第二和第一时间窗口之间，受验者已经接受自闭症谱系障碍疗法或针对至少与其相关联的阴性症状的疗法。

实施例47.实施例46的方法，其中所述疗法是基于药物的疗法。

实施例48.实施例46或47的方法，其中与精神分裂症或自闭症谱系障碍相关联的至少一种阴性症状的改善指示成功疗法。

实施例49.实施例39至48中的任一项的方法，其中所述行为数据包括选自由以下各项组成的组的一个或多个数据：

（i）指示谈话技能和痴迷兴趣的数据；

（ii）指示社交性和常规的数据；

（iii）指示重复移动的数据；

（iv）指示睡眠行为的数据；

（v）指示焦虑的数据；

（vi）指示情绪识别的数据；

（vii）指示空间工作记忆的数据；

（viii）指示合作行为的数据；以及

（ix）指示图像探索能力、嗓音属性和说话者识别的数据。

50.实施例39至49中的任一项的方法，其中所述评估ASD包括评估与自闭症谱系障碍相关联的至少一种症状，所述症状选自由以下各项组成的组：社交交流和社交互动，以及行为、兴趣或活动的受限、重复模式。

51.方法实施例50，其中，指示谈话技能和痴迷兴趣的所述数据包括针对语音特性、言语的量和/或谈话期间的轮换行为的数据。

52.实施例50或51的方法，其中，指示重复移动的所述数据包括针对重复和/或定型移动的频率和持续时间的数据。

53.实施例50至52中的任一项的方法，其中，指示睡眠行为的所述数据包括针对睡眠潜伏期、睡眠效率、睡眠时间、睡眠开始后醒来和/或嗜睡的数据。

54.实施例50至53中的任一项的方法，其中，指示焦虑的所述数据包括针对心率变异性的数据。

55.实施例50至54中的任一项的方法，其中，指示情绪识别的所述数据包括来自计算机实现的眼睛测试中的读心术（RMET）的数据，特别是用于识别测试中由任务模拟的情绪的情绪强度，在测试期间用于执行任务的响应和决策时间。

56.实施例50至55中的任一项的方法，其中，指示空间工作记忆的所述数据包括来自计算机实现的用于工作记忆的测试的数据。

57.实施例50至56中的任一项的方法，其中，指示合作行为的所述数据包括来自计算机实现的评估合作行为的测试的数据。

58.实施例50至57中的任一项的方法，其中，指示图像探索能力、嗓音属性和说话者识别的所述数据包括来自计算机实现的测试的数据，该测试用于通过谈话和环境声音在视觉上标识社交和非社交元素、语音特性和/或说话者识别。

59.实施例39至58中的任一项的方法，其中，所述移动设备是智能电话、智能手表、可穿戴传感器、便携式多媒体设备或平板计算机。

60.实施例39至59中的任一项的方法，其中所述受验者是人。

61.一种移动设备，包括处理器、记录使用数据的至少一个传感器、和数据库以及软件，该软件被有形地嵌入到所述设备，并且当在所述设备上运行时，执行实施例39至60中的任一项的方法。

62.一种包括移动设备和远程设备的系统，所述移动设备包括记录使用数据的至少一个传感器，所述远程设备包括处理器和数据库以及软件，所述软件被有形地嵌入到所述设备，并且当在所述设备上运行时，执行实施例39至60中的任一项的方法，其中所述移动设备和所述远程设备被可操作地彼此链接。

63.根据实施例61的移动设备或实施例62的系统用于评估精神分裂症或自闭症谱系障碍分析数据集的用途，该数据集包括在第一预定义时间窗口内的针对移动设备的使用数据，其中所述移动设备已经被受验者使用。

64.一种用于建议用于ASD的疗法的方法，该方法包括以下步骤：

（a）通过执行实施例39至60中的任一项的方法评估ASD；以及

（b）基于步骤（a）中提供的评估来建议针对ASD的疗法，其中针对ASD的所述疗法典型地通过选自由以下各项组成的组的至少一种药物治疗：加压素1a拮抗剂，更特别地是巴洛普坦；N-甲基-D-天冬氨酸（NMDA）受体拮抗剂，特别是美金刚胺或RVT-701；脂肪酸酰胺水解酶（FAAH）的选择性抑制剂，特别是JNJ-5279；GABA调节剂，特别是GABA Aa5阳性变构调节剂（PAM），特别是RG7816；GABA A调节剂或选择性GABA-B兴奋剂，特别是阿巴氯芬；mGlu4/7阳性变构调节剂；催产素，特别是OPN-300；乙酰胆碱酯酶抑制剂，特别是多奈哌齐；赖氨酸（K）特异性去甲基酶1A/单胺氧化酶B的双重抑制剂，特别是伐替司他；酪氨酸羟化酶抑制剂，特别是L1-79；选择性和不可逆的小分子非ATP竞争性糖原合酶激酶3（GSK-3）抑制剂，特别是Tideglusib；淀粉酶；脂肪酶和蛋白酶调节酶，比如CM-AT；NKCC1阳离子-氯化物共转运阻滞剂，特别是布美他尼；微生物群转移疗法，特别是FSM®；微生物群调节剂，特别是AB-2004；选择性5-羟色胺再摄取抑制剂，特别是氟西汀；多巴胺2受体拮抗剂，特别是利培酮、齐拉西酮或卢拉西酮；非欣快大麻素，特别是Zygel；植物大麻素，特别是次大麻二酚；阿木阿片受体拮抗剂，特别是纳洛酮或纳曲酮或脂肪酸ω-3或亚叶酸治疗，特别是通过选自以下各项的药物治疗：加压素1a拮抗剂，更特别地是巴洛普坦；GABA-Aa5 PAM；GABA-A调节剂；mGlu4/7 PAM；多巴胺2受体拮抗剂，特别是利培酮；阿木阿片受体拮抗剂，特别是纳洛酮；和NMDA谷氨酸受体拮抗剂，特别是美金刚胺。

贯穿本说明书引用的所有参考文献在此就涉及的具体公开内容以及整体地通过引用并入。

附图：

图1示出了用于从患者捕获数据的App的激活（A），通知患者关于将被捕获的使用行为，即联系人（B）、电话呼叫和消息（C）、App使用（D）、环境噪声（E）、位置和移动（F）。此外，该App将通知如何可以停止或中断数据捕获（G）。

图2示出了来自患者的捕获的数据的简档（profile）。

图3示出了针对情绪识别的行为参数，特别是来自面部表情的行为参数

图4示出了针对社交性和常规的行为参数，特别是来自信标（beacons）的行为参数。

示例

现在将通过以下（一个或多个）示例说明本发明。然而，（一个或多个）示例不应被解释为限制本发明的范围。

示例1：对精神分裂症患者中的16周内的移动电话行为的调查

将在16周的时段（观察时段）内监视患有精神分裂症的100个患者的智能电话使用行为。患者将使用基于Android的智能电话。患者可能接受药物。将被调查的智能电话使用包括电话使用、App使用、环境噪声、移动、位置和一般处置以及触摸行为。

为了捕获所述使用数据，将在患者的智能电话上安装App。该App将自动捕获某个时间窗口内的使用行为数据，从其导出使用行为参数，并将这些参数存储在智能电话上。数据捕获将在观察时段（例如每天）期间执行几次。一旦数据捕获开始以及当其结束时，App将通知患者（图1）。此外，为了保护数据保护规定，该App将在观察时段的开始时由调查者激活，并在观察时段的结束时由所述调查者卸载。将仅观察已经给予其知情同意（informedconsent）的患者。在观察时段之前、期间或之后期间可能被传送的所有数据都将被加密。

图2中描绘了来自患者的捕获数据的简档。

示例2：对ASD患者中的16周内的移动电话行为的调查

将在16周的时段（观察时段）内监视患有自闭症谱系障碍的100个患者的智能电话使用行为。患者将使用基于Android的智能电话。患者可能接受药物。将被调查的智能电话使用包括电话使用、App使用、环境噪声、移动、位置和一般处置以及触摸行为。

为了捕获所述使用数据，将在患者的智能电话上安装App。该App将自动捕获某个时间窗口内的使用行为数据，从其导出如表1和表2中所指示的使用行为参数，并将这些参数存储在智能电话上。数据捕获将在观察时段（例如每天）期间执行几次。一旦数据捕获开始以及当其结束时，App将通知患者（图1）。此外，为了保护数据保护规定，该App将在观察时段的开始时由调查者激活，并在观察时段的结束时由所述调查者卸载。将仅观察已经给予其知情同意的患者。在观察时段之前、期间或之后期间可能被传送的所有数据都将被加密。

示例3：通过智能手表和/或智能电话获取行为数据

配备智能手表和/或智能电话以测量来自患者的以下行为数据。

背景：患有ASD的个体可能具有不寻常的嗓音属性、减少的言语的量和关于轮换的困难。他们可能强烈关注于他们的有限的兴趣，从而使谈话困难。66％的患有ASD的个体有攻击性发作史。

方法：支持人员每周记录与参与者的谈话。提取并上传允许后续频谱、语义和情感分析的功能。

示例度量：语音的特性（音高、音量、闪烁、颤抖）；谈话期间的轮换行为；重复涉及相同的主题。

背景：与非ASD个体相比，患有ASD的个体较不可能参与社交接洽中，与其他人互动。

方法：家的房间被标记为社交/非社交/有时社交。蓝牙发射器被放置在这些房间中并由家庭携带。估计智能手表（由参与者穿戴）和发射器之间的距离，以标识在社交房间中和在其他人周围的时间。

示例度量：在社交房间与非社交房间中的时间；接近家中其他人的时间。

背景：患有ASD的个体经常有重复移动，诸如拍手和摇摆身体。最近的研究已经证明了自动检测重复移动的潜力。

方法：用智能手表跟踪研究参与者的移动。当支持人员看到研究参与者执行重复移动时，他们使用可穿戴的移动日志记录器或智能电话app中的功能来日志记录时间戳。算法学习与重复移动相关联的传感器数据的模式，并在日常生活期间跟踪这些事件。

示例度量：重复移动类型的频率和持续时间。

背景：患有ASD的个体可能有睡眠困难，这反映在更长的睡眠潜伏期和上床以及入睡的更大困难中。

方法：每周两晚，参与者在晚上穿戴智能手表。基于来自手表的身体移动数据提取睡眠模式。参与者每四天完成电子患者报告结果睡眠日记。

示例度量：睡眠开始的时间；睡眠持续时间。

背景：焦虑与ASD的共同发病率估计为39.6％。焦虑与心率变异性的较低率相关联。

方法：智能手表全天捕获PPG信号。使用信标技术，基于室内位置跟踪来捕获位置。从位置数据推断社交情况和常规变化。PPG信号被用于估计心率变异性。借助生态瞬时评估来捕获焦虑等级（ratings）。

示例度量：当在社交位置中和有不寻常的常规的日子时的心率变异性；焦虑等级与心率变异性之间的关联。

背景：眼睛测试中的读心术（RMET）是用于识别其他人的精神状态的能力的公认的评估，并且适用于智能电话使用。

方法：参与者被示出面部表情的静态图像。根据自适应的算法，面部上的情绪的强度在逐次试验的基础上变化。当参与者意识到情绪时，他们必须在屏幕上轻敲。参与者对情绪贴标签。

示例度量：参与者识别情绪所处的情绪强度；响应时间；决策时间。

背景：患有自闭症的个体可能有关于工作记忆的困难。关于空间工作记忆的CANTAB评估，他们比非ASD个体更可能犯错误，并且较不可能始终如一地使用特定的有组织的搜索策略。

方法：在该任务中，参与者必须记住哪些鸡已经下蛋。参与者可以通过在鸡上轻敲来搜索鸡蛋，以检查它是否已经下了一个蛋。一旦鸡已经下了蛋，它们将不再下另一个蛋，所以参与者不应再检查那只鸡。他们也不应该在一次搜索中检查同一只鸡两次。难度等级：4、6、8、10、12只鸡。

示例度量：在同一搜索中两次检查鸡的次数；检查已经下蛋的鸡的次数。

背景：“Stag Hunt”（针对该app命名为Treasure Hunt）被开发以评估患有ASD的个体的合作能力。已经示出在表示另一位玩家的策略时预测症状严重性的困难。

方法：参与者与计算机代理玩轮换游戏。参与者可以：

追逐价值$1的硬币，该硬币可以被单独捕获。追逐价值$4的宝箱；这需要与计算机代理合作运行。

示例度量：参与者选择合作的次数的百分比；合作时得到的积分。

背景：患有ASD的人表现出独特的、非典型的言语的声学模式和专注于图像的非社交元素（诸如ADOS中使用的那些）上的倾向。

方法：要求参与者交流包含社交和非社交元素的图片中发生了什么。记录语音，也记录图像浏览行为。

示例度量：手指运动跟踪提供用于凝视行为的代理，指示检查图像的社交或非社交元素所花费的时间；语音的特性（音高、音量、闪烁、颤抖）；此外，针对谈话数据中的说话者标识来提取声学指纹。

示例4：使用智能手表的59名参与者的行为的调查

监视59名参与者的行为。几乎所有参与者都愿意在临床试验的背景下完成任务。智能手表在设计和舒适性的方面中都被良好地接受。几乎所有参与者都愿意在他们的家中使用信标，而没有隐私或可行性忧虑。仅观察到小的可用性问题，所述问题借助对活动任务的修改来解决。执行任务的可行性取决于年龄和IQ——通过添加医疗保健专业人员解激活任务的选项来解决。

在观察时段期间，执行几次数据捕获。

针对情绪识别的结果在图1中示出。参与者被要求标识具有不同情绪强度的面部表情的一系列照片中呈现的情绪。如果参与者正确或不正确响应，那么下一次显示情绪时，强度分别降低或增加。预期对~50%的试验，将达到参与者以其正确标识情绪的情绪检测阈值。该图呈现了来自28名患有ASD的个体的数据。在每个框上，中心标记指示中值幸福强度，并且框的底部和顶部边缘分别指示第25个和第75个百分点。晶须延伸到不被视为异常值的最极端的数据点，并且异常值使用菱形符号来单独绘制。跨参与者的中值强度不同，表明该任务对不同的情绪检测阈值是敏感的。

针对社交性和常规的结果在图2中示出。参与者被要求在他们家周围放置信标。信标发出具有与房间相关联的ID的蓝牙信号。由参与者的智能手表捕获的蓝牙信号强度被用于估计参与者在哪个房间中。该图指示该方法可以基于信标数据成功地标识参与者的房间位置。每个环表示患有ASD的个体的生命中的一天（年龄在5和12岁之间，IQ>=70），其中彩色标记指示其估计参与者在该时刻所位于的房间。灰色区域指示没有信标数据是可用的（手表被关闭或参与者不在任何信标的范围内）。

引用的文献

Baron-Cohen S.、Wheelwright S.和Hill J.（2001）。The 'Reading the mind inthe eyes' test revised version: A study with normal adults, and adults withAsperger Syndrome or High-Functioning autism. Journal of Child Psychology andPsychiatry 42：241-252。

Capps、Lisa、Jennifer Kehres和Marian Sigman。“Conversational abilitiesamong children with autism and children with developmental delays”。Autism 2.4（1998）：325-344。

Cohen、Simonne等人。“The relationship between sleep and behavior inautism spectrum disorder (ASD): a review”。Journal of neurodevelopmentaldisorders 6.1（2014）：44。

Corbett、Blythe A.等人。“Elevated cortisol during play is associatedwith age and social engagement in children with autism”。Molecular autism 1.1（2010）：13。

Dulau C等人，2017，Journal of Neurology，264（4）：740-748。

Friedman、Bruce H。“An autonomic flexibility–neurovisceral integrationmodel of anxiety and cardiac vagal tone”。Biological psychology 74.2（2007）：185-199。

Fusaroli、Riccardo等人。“Is voice a marker for Autism spectrum disorder

Gong、Yuan和Christian Poellabauer。“Continuous Assessment of Children'sEmotional States Using Acoustic Analysis”。Healthcare Informatics （ICHI），2017年IEEE国际会议。IEEE，2017。

Großekathöfer、Ulf等人。“Automated detection of stereotypical motormovements in autism spectrum disorder using recurrence quantificationanalysis”。Frontiers in neuroinformatics 11（2017）：9。

Henderson、Jill A.等人。“The relation among sleep, routines, andexternalizing behavior in children with an autism spectrum disorder”。Researchin Autism Spectrum Disorders 5.2（2011）：758-767。

Kanne、Stephen M.和Micah O. Mazurek。“Aggression in children andadolescents with ASD: Prevalence and risk factors”。Journal of autism anddevelopmental disorders 41.7（2011）：926-937。

Malow、Beth A.等人。“Characterizing sleep in children with autismspectrum disorders: a multidimensional approach”。Sleep 29.12 （2006）：1563-1571。

Mouga S.、Castelhano J.、Almeida J.、Café C.、Duque F.、Castelo-branco M.和Oliveira G.（2015）。Autism Diagnostic Observation Schedule: from aqualitative to a quantitative approach：fp41-98412。Developmental Medicine &Child Neurology，57，19。

Rouhizadeh M.（2015）。“Computational analysis of language use inautism” OHSU Digital Collections. doi.org/10.6083/M4H70DS5。

Steele、Shelly D.等人。“Spatial working memory deficits in autism”。Journal of autism and developmental disorders 37.4（2007）：605-612。

van Steensel、Francisca JA、Susan M. Bögels和Sean Perrin。“Anxietydisorders in children and adolescents with autistic spectrum disorders: ameta-analysis”。Clinical child and family psychology review 14.3（2011）：302。

Yoshida W.、Dziobek I.、Kliemann D.、Heekeren H. R.、Friston K.J.和DolanR.J.（2010）。Cooperation and heterogeneity of the autistic mind。Journal ofNeuroscience，30（26），8815-8818。