使用面部图像检测自闭症谱系障碍:预训练卷积神经网络的性能比较

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
• 发展心理学 发展心理学

背景情况:

• 自闭症谱系障碍 (ASD) 呈现出各种社会互动,沟通和行为挑战.
• 症状通常出现在2-5岁之间,并持续到成年期,影响发展.
• 早期发现自闭症对于有效的行为和心理支持至关重要.

研究的目的:

• 评估各种预训练的卷积神经网络 (CNN) 的有效性,以诊断ASD.
• 为了比较不同的CNN模型的性能,包括ResNet34,ResNet50,AlexNet,MobileNetV2,VGG16和VGG19.
• 调查转移学习的应用,以提高ASD诊断的准确性.

主要方法:

• 使用预先训练有素的CNN模型进行转移学习:ResNet34,ResNet50,AlexNet,MobileNetV2,VGG16和VGG19.
• 将这些模型应用于用于诊断自闭症谱系障碍的数据集.
• 在选择的CNN架构中比较了诊断性能.

主要成果:

• 通过转移学习增强的ResNet50模型,实现了92%的最高诊断准确率.
• 拟议的ResNet50模型与其他转移学习模型相比,表现优越.
• 这项研究的方法在准确性和计算效率上都超过了现有的最先进的方法.

结论:

• 卷积神经网络,特别是带有转移学习的ResNet50,显示出对准确和高效的ASD诊断的重大前景.
• 这种深度学习方法为加快自闭症谱系障碍查过程提供了一个可行的工具.
• 这些发现表明,先进的机器学习技术可以帮助早期识别和管理ASD.