自闭症谱系障碍在世界范围内有着非常高的发病率(大约每88儿童中就有1名病患,来自2012年US CDC报告),可表现为社会交流障碍、口头语言及非口头语言交流障碍和重复刻板行为,并可能伴随终身。其对儿童严重的影响使家属们倍感忧虑。由于病因尚未有定论,自闭症谱系障碍的发生目前仍无可避免。但有一点可以肯定,自闭症谱系障碍发现得越早,儿童越有可能通过治疗回归正常的生活。为了觉察到自闭症谱系障碍的早期迹象,当今高速发展的传感器网络提供了一种较为有效的方案,将在本文中进行介绍。即使用传感器收集婴儿正在玩耍的玩具的数据,然后在计算机中进行分析。一般来说,患有自闭症的儿童比其他儿童表现出更多的非功能性、多重复性地玩耍玩具。数据会首先通过低功耗蓝牙传输和储存在手机中,使数据采集可以轻易在幼儿园或者婴儿的家中进行,同时降低设备的费用。本研究将德州仪器公司的CC2541 SensorTag安置在玩具中,收集加速度等数据,并开发Android手机平台软件对数据进行采集和存储。为了获得更多有效信息,本研究将尝试对数据进行挖掘和机器学习分类。婴儿玩耍玩具的方式具有极大的随机性和不确定性。无外界干扰的实验环境中,婴儿很难重复进行相同的动作。这给定义婴儿正在进行的不同行为,确定这些行为变化的时间边界以及增加动作样本的数量带来了极大的困难。因此,研究建立了不同细度的活动分类模型,并使用决策树细分。在对婴儿玩耍玩具进行了若干次实验后,在计算机中建立滑窗将实验数据按时段分割成为大量独立样本,并将人工将样本与活动名称对应。受传感器的频率所限,实验主要利用加速度的三轴分量、合加速度、合加速度与三轴的夹角以及角速度的时域特征。决策树被用于将活动一步步细分。C4.5决策树、支持向量机等监督式算法被测试用于分类,最终采用了RBF核的支持向量机。因样本数量有限,实验中采用多折交叉检验法确定分类算法的有效性。实验结果为,能识别是否静止的概率大约为93%,识别推拉小车的行为的概率大约为79%。实验中所识别到儿童独自玩耍时所发生的行为,将交予医学专家进行自闭症谱系障碍早期迹象的相关研究。