早期发现自闭症谱系障碍使用可解释的AI和优化教学策略

科学领域:

• 神经科学和发育心理学
• 医疗保健中的人工智能
• 特殊教育技术 特殊教育技术

背景情况:

• 自闭症谱系障碍 (ASD) 的特点是社会,沟通和行为缺陷,在个人之间存在显著的变化.
• 早期识别和干预对于减少医疗负担和改善自闭症儿童的结果至关重要.
• 自闭症的异质性在制定普遍有效的教育策略方面带来了挑战.

研究的目的:

• 开发一个两相机器学习模型,用于准确地识别幼儿的自闭症.
• 为患有自闭症儿童创建个性化的教育策略,基于他们独特的需求和反应.
• 通过量身定制的干预措施,提高满足自闭症患者多样化需求的准确性.

主要方法:

• 合并和分析两个幼儿自闭症查数据集.
• 采用特征工程技术,包括Chi-square,以提取重要的数据特征.
• 采用两阶段方法与整体机器学习模型 (逻辑回归-支持向量机) 进行分类和战略识别.

主要成果:

• 在使用千平方提取特征的ASD识别中获得了94%的准确性.
• 在为自闭症儿童选择最合适的教学方法时,证明了99.29%的准确性.
• 拟议的LR-SVM组合与Chi-square特征在性能比较中表现优于现有方法.

结论:

• 拟议的两阶段战略有效地识别了自闭症,并根据自闭症的严重程度推了适当的教学策略.
• 这种以机器学习为驱动的方法为有不同需求的儿童开发定制解决方案提供了一条途径.
• 这项研究强调了人工智能在推进自闭症患者个性化教育方面的潜力.