DysDiTect:使用CNN-定位-LSTM-注意力建模与中文发音任务识别阅读障碍
Hey Wing Liu1, Shuo Wang1, Shelley Xiuli Tong1
1Human Communication, Learning, and Development (HCLD), Faculty of Education, The University of Hong Kong, Hong Kong 999077, China.
Brain sciences
|May 25, 2024
概括
这项研究开发了一种机器学习模型,使用手写分析在儿童中识别中国发育性阅读障碍 (DD). 该模型实现了高精度,显示了早期检测DD的潜力.
科学领域:
- 神经科学是一个神经科学.
- 计算语言学 计算语言学
- 教育心理学教育心理学
背景情况:
- 手写困难是中国发育性阅读障碍症 (DD) 的关键指标.
- 之前的模型忽视了字符写作的时间方面,而不是字词任务.
- 中国字符的复杂结构为阅读障碍的评估带来了独特的挑战.
研究的目的:
- 开发和评估一种机器学习模型,用于识别儿童中文发育性阅读障碍症 (DD).
- 将时间序列手写特征纳入阅读障碍的检测.
- 用手写数据和等级信息来评估模型的性能.
主要方法:
- 结合卷积神经网络 (CNN) 与长期短期记忆 (LSTM) 和注意力机制.
- 利用转移学习和位置编码来提取特征.
- 在1064名儿童 (二至六年级) 的10万个汉字上训练并测试了该模型.
主要成果:
- 该模型仅使用手写特征就实现了83.2%的准确性.
- 整合等级信息提高了分类准确度,达到85.0%.
- 通过等级信息观察到高灵敏度 (83.3%) 和特异性 (86.4%).
结论:
- 机器学习模型可以有效地识别患有中国发育性阅读障碍 (DD) 风险的儿童.
- 整合时间顺序的手写分析可以提高阅读障碍的检测准确度.
- 通过使用先进的计算方法,早期识别DD是可行的.
