基于训练的优化使得转移学习能够用于检测自闭症谱系障碍
Sriramakrishnan Gv1, P Mano Paul2, Hemachandra Gudimindla3
1Department of Computer Science and Engineering, Saveetha Institute of Medical and Technical Sciences (SIMATS), Saveetha University, Chennai, Tamil Nadu 602105, India.
Computational biology and chemistry
|September 12, 2024
概括
这项研究引入了一种新的自闭症谱系障碍 (ASD) 检测方法,使用混合优化算法和卷积神经网络转移学习. 该FWDTBO-CNN_TL模型实现了高准确度,改善了ASD的早期识别.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 自闭症谱系障碍 (ASD) 显著影响沟通和社会互动.
- 早期发现ASD对于管理发展结果至关重要.
- 目前的诊断方法可以通过先进的计算技术来改进.
研究的目的:
- 引入一种自动化方法来识别自闭症谱系障碍 (ASD).
- 通过机器学习提高ASD检测的准确性和效率.
- 开发一种新的混合优化算法,用于训练深度学习模型.
主要方法:
- 通过集成分数计算 (FC),鱼优化算法 (WOA) 和基于驾驶培训的优化 (DTBO) 开发了基于训练的微分鱼驾驶优化 (FWDTBO) 算法.
- 采用基于卷积神经网络的转移学习 (CNN_TL) 使用来自预训练模型的超参数,如AlexNet和ShuffleNet.
- 在提取的 nub 区域上实施功能连接分析,通过 Whale Driving Training Optimization (WDTBO) 算法进行优化,并通过 FWDTBO 调整 TL.
主要成果:
- 拟议的FWDTBO-CNN_TL模型在ASD检测中实现了90.7%的准确性.
- 该方法展示了高性能指标:95.4%的灵敏度,93.7%的特异性和93%的f-测量.
- 该技术使用ABIDE-II数据集进行了验证,显示了临床应用的重大潜力.
结论:
- FWDTBO-CNN_TL方法提供了一个高度准确和有效的方法来自动识别ASD.
- 这项研究强调了混合优化和转移学习在神经系统疾病诊断中的潜力.
- 早期和精确的ASD检测可以通过先进的计算模型,如拟议的模型来促进.
更多相关视频
06:15Using the Visual World Paradigm to Study Sentence Comprehension in Mandarin-Speaking Children with Autism
Published on: October 3, 2018
7.7K
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
10.9K
