HCBiLSTM-WOA:混合卷积双向长短期记忆与自闭症谱系障碍的水优化算法

科学领域:

• 神经学和人工智能 人工智能
• 发育神经科学的发展神经科学.
• 医疗保健中的机器学习

背景情况:

• 自闭症谱系障碍 (ASD) 是一种复杂的神经发育障碍,需要早期干预以获得最佳结果.
• 现有的ASD检测方法通常是繁的,不足以实时分析数据.
• 准确和及时的诊断对于管理ASD对个体身体和心理健康的影响至关重要.

研究的目的:

• 通过使用实时数据集,提出一种新的,高效的自闭症谱系障碍 (ASD) 检测机制.
• 通过混合深度学习和优化算法方法提高ASD分类的准确性和效率.
• 开发一种工具,以帮助在各种年龄段早期和精确地检测ASD.

主要方法:

• 为ASD分类开发了一种混合卷积双向长短期记忆 (HCBiLSTM) 模型.
• 使用水优化算法 (WOA) 调整HCBiLSTM模型的超参数,优化预测准确度.
• 涵盖不同年龄组的实时ASD数据集被预处理,以便在分类之前处理缺失值,异常值和数据减少.

主要成果:

• 拟议的HCBiLSTM-WOA方法实现了约98.53%的高ASD预测准确度.
• 该方法在检测ASD方面表现出优异的性能,与现有技术相比,在各种性能指标上表现出优异的性能,包括精度,灵敏度和特异性.
• 该模型成功地根据观察到的自闭症特征将ASD病例分为各自的阶段.

结论:

• HCBiLSTM和WOA的融合为准确和高效的ASD诊断提供了一个强大的框架.
• 这种方法提高了诊断精度,并改善了复杂的ASD数据的解释,支持早期干预策略.
• HCBiLSTM-WOA方法为临床医生提供了早期和精确的ASD检测的宝贵工具,最终改善了患者的治疗结果.