相关实验视频
Updated: Jul 5, 2025
07:38
Strategies for Assessing Autistic-Like Behaviors in Mice
Published on: September 20, 2024
997
修改的元启发性BAT与ML分类器用于检测自闭症谱系障碍
Mohemmed Sha1, Abdullah Alqahtani1, Shtwai Alsubai2
1Department of Software Engineering, College of Computer Engineering and Sciences, Prince Sattam Bin Abdulaziz University, Al-Kharj 16278, Saudi Arabia.
Biomolecules
|January 23, 2024
概括
一个新的修改的人工神经网络 (ANN) 模型准确地识别了儿童和青少年的自闭症谱系障碍 (ASD). 这种人工智能驱动的方法可以提高早期诊断,改善ASD患者的生活质量.
科学领域:
- 神经科学与发育障碍学
- 医疗保健中的人工智能
- 机器学习用于诊断.
背景情况:
- 自闭症谱系障碍 (ASD) 是一种复杂的神经发育状况,影响社会互动和沟通.
- 早期诊断ASD对于改善患者的治疗结果和生活质量至关重要.
- 传统的ASD查方法耗时,昂贵,并且面临大数据集,准确性和速度的局限性.
研究的目的:
- 开发一种先进而高效的系统,用于识别儿童和青少年的自闭症谱系障碍 (ASD).
- 使用人工智能克服传统ASD检测方法的局限性.
- 通过优化算法提高ASD分类的准确性和速度.
主要方法:
- 使用修改后的蝙蝠算法 (MBA) 进行优化,与人工神经网络 (ANN) 集成,修改后的ANN,决策树 (DT) 和k-最近邻居 (KNN) 进行ASD分类.
- 采用Q-chat-10数据集,包括从幼儿到成年人的数据,用于模型培训和验证.
- 应用数据集评估机制,如千平方统计和p值来评估数据模型的相关性,并使用性能指标进行效率分析.
主要成果:
- 修改后的人工神经网络 (ANN) 分类器模型实现了1.00的完美准确性.
- 与现有的最先进的自闭症检测方法相比,拟议的系统表现出更高的性能.
- 修改后的蝙蝠算法 (MBA) 通过解决速度,准确性和局部极端捕获等问题来提高蝙蝠算法的 (BA) 效率.
结论:
- 开发的人工智能驱动系统为自闭症谱系障碍 (ASD) 诊断提供了高度准确和高效的解决方案.
- 这种模型有可能显著帮助临床医生和研究人员改善ASD诊断过程.
- 通过这种先进的方法,早期和准确的识别可以导致更好的管理和改善自闭症患者的生活标准.
