基于混合相似性的特征选择和级联深度maxout模糊网络用于使用EEG信号检测自闭症谱系障碍

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 自闭症谱系障碍 (ASD) 是一种影响理解和行为的终身神经疾病.
• 目前对自闭症的诊断方法耗时且复杂,往往难以与其他发育障碍区分.
• 早期识别和干预显著改善了ASD患者的结果.

研究的目的:

• 为早期发现自闭症谱系障碍 (ASD) 开发一种负担得起且简单的诊断模型.
• 与现有模型相比,提高ASD诊断的速度和准确性.
• 通过及时干预,减少医疗保健成本和家庭压力.

主要方法:

• 一种混合的深度学习模型,Cascade深度maxout模糊网络 (Cascade DMFN),是通过将深度maxout网络 (DMN) 和混合级联神经模糊集成而开发的.
• 混合相似度措施,包括堪培拉距离和Kumar-hassebrook,用于特征选择.
• 该模型使用EEG和BCIAUT_P300数据集进行了自闭症谱系障碍检测的分析.

主要成果:

• 拟议的 Cascade DMFN 模型表现出比经典模型更优异的性能.
• 实现了高精度 (0.930),负预测值 (NPV) 为 0.919,正预测值 (PPV) 为 0.923,真负率 (TNR) 为 0.926,和真正率 (TPR) 为 0.934.
• 该模型在分析的数据集中有效地识别了自闭症谱系障碍.

结论:

• 布式DMFN为早期自闭症谱系障碍诊断提供了一种有希望,准确和高效的方法.
• 这种深度学习模型有助于及时干预,并有可能改善ASD患者的长期结果.
• 开发的模型代表了利用人工智能用于神经疾病诊断的重大进步.