多式自闭症检测:深度混合模型,具有改进的功能水平融合模型
S Vidivelli1, P Padmakumari1, P Shanthi1
1Department of Computer Science and Engineering, School of Computing, SASTRA Deemed to be University, Thanjavur, Tamilnadu, 613402, India.
Computer methods and programs in biomedicine
|December 19, 2024
概括
这项研究引入了一种用于自闭症检测的新型深度学习模型,使用EEG和面部分析实现了高精度. 该模型为早期自闭症诊断和干预提供了一个有希望的进步.
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
- 生物医学工程 生物医学工程
背景情况:
- 社会沟通缺陷是自闭症谱系障碍 (ASD) 的标志.
- 传统的自闭症诊断依赖于主观的行为观察,需要更准确的方法.
- 现有的用于自闭症检测的机器学习方法复杂且耗时.
研究的目的:
- 开发一种新的深度学习模型,用于准确检测自闭症.
- 克服传统诊断方法和当前计算机辅助系统的局限性.
- 为了提高自闭症诊断中的预测准确度.
主要方法:
- 一种多模式的深度学习方法,集成EEG和面部图像数据.
- 预处理技术包括Gabor过用于面部图像和Wiener过用于EEG.
- 使用共同空间模式 (CSP),奇点光谱,主动外观模型和GLCM进行特征提取,然后进行特征级融合.
- 一种混合检测模型,结合了卷积神经网络 (CNN) 和双向门循环单元 (Bi-GRU).
主要成果:
- 拟议的MADDHM模型实现了高精度:91.03%的EEG和91.67%的面部分析.
- 在准确性方面表现优于其他模型,包括SVM,DNN,Bi-GRU,LSTM和CNN.
- 与现有方法相比,在自闭症检测方面表现优越.
结论:
- 开发的方法显示了早期自闭症检测的巨大潜力.
- 这一进步是迈向对ASD患者及时干预的关键一步.
- 这项研究强调了深度学习在提高自闭症诊断准确性的有效性.
