基于联合学习的儿童自闭症谱系障碍检测框架集成CNN-LSTM

科学领域:

• 神经发育障碍 神经发育障碍
• 医疗保健中的机器学习
• 儿科健康信息学 儿科健康信息学

背景情况:

• 自闭症谱系障碍 (ASD) 的发病率正在上升,需要先进的检测和监测工具.
• 现有的用于ASD检测的机器学习框架提供有限的患者健康管理服务.
• 遗传和环境因素有助于ASD,影响儿童的沟通,行为和社交技能.

研究的目的:

• 提出一个复杂而高效的ASD框架,以加强现有的ASD检测和患者监测.
• 引入支持联邦学习的CNN-LSTM (FCNN-LSTM) 计划,以改善儿童的ASD检测.
• 整合多式联网数据集和物联网应用程序,以实现最佳的ASD患者学习和效率.

主要方法:

• 在分布式计算环境中开发了一个支持联合学习的CNN-LSTM (FCNN-LSTM) 方案.
• 使用多式联网数据集 (ASQ,CSBS,PEDS,M-CHAT,STAT) 在连接的实验室中进行培训和验证.
• 实现高级标准加密 (AES) 进行安全的数据处理和整合物联网应用程序,以提高患者的效率.

主要成果:

• 该FCNN-LSTM方案在ASD检测中实现了大约99%的准确性.
• 与现有的ASD检测框架相比,其表现优越.
• 启用安全,分布式培训和多式联运ASD数据集的验证.

结论:

• 拟议的FCNN-LSTM框架显著提高了儿童ASD检测的准确性.
• 综合方法通过物联网应用程序提高了患者监测和学习效率.
• 具有强大的安全机制的联合学习为ASD研究提供了可扩展和有效的解决方案.