以数据为中心的自动化方法,根据选择性特征和可解释的人工智能来预测自闭症谱系障碍

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
• 教育教育教育教育教育教育.

背景情况:

• 自闭症谱系障碍 (ASD) 是一种影响认知功能,语言,社交互动和沟通的神经发育状况.
• 早期识别和干预ASD可以显著减少广泛的医疗治疗和漫长的诊断过程的需要.
• 遗传因素是自闭症的主要原因,强调了精确诊断工具的重要性.

研究的目的:

• 开发一种机器学习模型,用于早期预测幼儿自闭症谱系障碍 (ASD).
• 根据他们独特的行为,语言和身体反应,为患有自闭症的儿童确定和提出量身定制的教育策略.
• 通过先进的计算方法提高ASD诊断和干预的准确性和效率.

主要方法:

• 利用了三个特征工程技术:奇方位,逆向特征消除和主要组件分析 (PCA).
• 应用了多种机器学习模型,包括拟议的XGBoost 2.0,用于在幼儿中预测ASD存在.
• 评估行为,口头和身体反应,以确定ASD儿童的个性化教育方法.
• 实施交叉验证以确保模型稳定性,并将结果与以前的研究进行比较.

主要成果:

• 拟议的XGBoost 2.0模型实现了99%的准确性,F1得分和回忆,精确度为98%,使用千平方显著特征来预测ASD.
• 该方法显示了99%的准确性,F1分数,回忆和精确性,用于识别自闭症儿童的定制教育方法.
• 交叉验证证实了拟议模型的稳定性.

结论:

• 机器学习,特别是XGBoost 2.0,在预测幼儿ASD方面表现出很高的有效性.
• 该研究成功开发了一个框架,为患有自闭症的个体创建个性化的教育策略.
• 这项研究在利用计算技术改善ASD诊断和量身定制的教育干预方面取得了重大进展.