一个改进的AlexNet模型和自闭症基于脑电图系数的分类,使用EEG
R Menaka1, R Karthik1, S Saranya2
1Centre for Cyber Physical Systems, School of Electronics Engineering, Vellore Institute of Technology, Chennai, India.
Clinical EEG and neuroscience
|May 29, 2023
概括
早期发现自闭症谱系障碍 (ASD) 是至关重要的. 这项研究表明,定制的深度学习模型,特别是带有线性频率 Cepstral 系数 (LFCC) 的 AlexNet,显著提高了 ASD 识别精度.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 自闭症谱系障碍 (ASD) 是一种神经发育状况,需要早期干预以改善结果.
- 目前的ASD识别依赖于主观方法,容易观察观察者的变化.
- 机器学习和深度学习为客观和早期ASD检测提供了有前途的途径.
研究的目的:
- 评估深度学习网络 (AlexNet,VGG16,ResNet50) 用于自闭症谱系障碍 (ASD) 的检测.
- 调查塞普斯特拉系数特征在ASD识别中的有效性.
- 通过对深度学习模型的架构修改来提高ASD分类的准确性.
主要方法:
- 使用的塞普斯特拉系数 (特别是线性频率塞普斯特拉系数 - LFCC) 来生成光谱图.
- 评估的标准深度学习架构:亚历克斯Net,VGG16和ResNet50.
- 开发了一个改进的AlexNet架构,以改进ASD分类.
主要成果:
- 标准的AlexNet与LFCC在ASD检测中实现了85.1%的准确性.
- 采用LFCC功能定制的AlexNet架构达到90%的准确性.
- 塞普斯特拉系数证明了基于深度学习的ASD识别的有效特征.
结论:
- 深度学习模型,特别是定制的AlexNet,显示出对准确和早期ASD检测的巨大潜力.
- 塞普斯特拉系数的整合提高了深度学习模型用于自闭症识别的性能.
- 像深度学习这样的客观,数据驱动的方法可以克服主观ASD诊断方法的局限性.
