Autism Spectrum Disorder (ASD) is a neuro-developmental disorder that limits social and cognitive abilities. ASD has no cure so early diagnosis is important for reducing its impact. The current behavioral observation-based subjective-diagnosis systems (e.g., DSM-5 or ICD-10) frequently misdiagnose subjects. Therefore, researchers are attempting to develop automated diagnosis systems with minimal human intervention, quicker screening time, and better outreach. This paper is a PRISMA-based systematic review examining the potential of automated autism detection system with Human Activity Analysis (HAA) to look for distinctive ASD characteristics such as repetitive behavior, abnormal gait and visual saliency. The literature from 2011 onward is qualitatively and quantitatively analyzed to investigate whether HAA can identify the features of ASD, the level of its classification accuracy, the degree of human intervention, and screening time. Based on these findings, we discuss the approaches, challenges, resources, and future directions in this area. According to our quantitative assessment of the dataset Zunino et al. (IEEE: 3421–3426, 2018 [1]), Inception v3 and LSTM Zunino et al. (IEEE: 3421–3426, 2018 [1]) give the highest accuracy (89%) for repetitive behavior. For abnormal gait-based approach, the multilayer perceptron gives 98% accuracy based on 18 features from dataset Abdulrahman et al. (COMPUSOFT: An International Journal of Advanced Computer Technology 9(8):3791–3797, 2020 [2]). For gaze pattern, a saliency-metric feature-based learning Rahman et al. (Int Conf Pattern Recognit, 2020 [3]) gives 99% accuracy on dataset Duan et al. (Proceedings of the 10th ACM Multimedia Systems Conference: 255–260, 2019 [4]), while an algorithm involving statistical features and Decision Trees yields an accuracy of 76% on dataset Yaneva et al. (Proceedings of the Internet of Accessible Things. W4A ’18, Association for Computing Machinery, New York, NY, USA, 1–10, 2018 [5]). In terms of the state of the art, fully automated HAA systems for ASD diagnosis show promise but are still in developmental stages. However, this is an active research field, and HAA has good prospects for helping to diagnose ASD objectively in less time with better accuracy.

自闭症谱系障碍 (ASD) 是一种限制社交和认知能力的神经发育障碍。ASD 无法治愈，因此早期诊断对于减少其影响很重要。当前基于行为观察的主观诊断系统（例如，DSM-5 或 ICD-10）经常误诊受试者。因此，研究人员正在尝试开发具有最少人工干预、更快筛选时间和更好覆盖范围的自动诊断系统。本文是基于 PRISMA 的系统综述，研究了具有人类活动分析 (HAA) 的自动自闭症检测系统在寻找独特的 ASD 特征（例如重复行为、异常步态和视觉显着性）方面的潜力。对 2011 年以后的文献进行定性和定量分析，以研究 HAA 是否可以识别 ASD 的特征，其分类准确率、人为干预程度和筛选时间。基于这些发现，我们讨论了该领域的方法、挑战、资源和未来方向。根据我们对数据集 Zunino 等人的定量评估。(IEEE: 3421–3426, 2018 [1])、Inception v3 和 LSTM Zunino 等。(IEEE: 3421–3426, 2018 [1]) 为重复行为提供最高准确度 (89%)。对于基于异常步态的方法，多层感知器基于数据集 Abdulrahman 等人的 18 个特征提供 98% 的准确率。（COMPUSOFT：国际先进计算机技术杂志 9(8):3791–3797, 2020 [2]）。对于凝视模式，基于显着性度量特征的学习 Rahman 等人。（Int Conf Pattern Recognit，2020 [3]）在数据集 Duan 等人上给出了 99% 的准确率。（第 10 届 ACM 多媒体系统会议论文集：255-260，2019 年 [4]），而涉及统计特征和决策树的算法在数据集 Yaneva 等人上的准确率为 76%。（无障碍物联网会议录。W4A '18，计算机协会，纽约，纽约，美国，2018 年 1-10 日 [5]）。就现有技术而言，用于 ASD 诊断的全自动 HAA 系统显示出前景，但仍处于发展阶段。然而，这是一个活跃的研究领域，HAA 有很好的前景，可以帮助在更短的时间内客观地诊断 ASD，并具有更高的准确性。美国纽约州纽约市，2018 年 1-10 日 [5]）。就现有技术而言，用于 ASD 诊断的全自动 HAA 系统显示出前景，但仍处于发展阶段。然而，这是一个活跃的研究领域，HAA 有很好的前景，可以帮助在更短的时间内客观地诊断 ASD，并具有更高的准确性。美国纽约州纽约市，2018 年 1-10 日 [5]）。就现有技术而言，用于 ASD 诊断的全自动 HAA 系统显示出前景，但仍处于发展阶段。然而，这是一个活跃的研究领域，HAA 有很好的前景，可以帮助在更短的时间内客观地诊断 ASD，并具有更高的准确性。