转移学习与以自然为灵感的英算法的融合,用于使用面部特征检测和分类自闭症谱系障碍
G Elangovan1, N Jagadish Kumar1, J Shobana1
1Department of Data Science and Business Systems, School of Computing, SRM Institute of Science and Technology, Kattankulathur, Chennai, 603203, India.
Scientific reports
|December 28, 2024
概括
一种新的AI方法使用面部图像以97.50%的准确度检测自闭症谱系障碍 (ASD). 这种方法结合了转移学习和子算法,以改善ASD的早期诊断和分类.
科学领域:
- 神经学和人工智能 人工智能
- 医学诊断和机器学习
背景情况:
- 自闭症谱系障碍 (ASD) 存在复杂的诊断挑战,原因是异质的症状和缺乏特定的临床测试.
- 早期干预对于改善ASD的结果至关重要,需要可靠和可访问的诊断工具.
- 面部特征有可能成为早期发现自闭症的生物特征,补充传统的诊断方法.
研究的目的:
- 通过使用面部图像,引入一种准确有效的方法来检测和分类自闭症谱系障碍 (ASD).
- 利用人工智能 (AI),特别是转移学习 (TL) 和子算法 (DA),以提高ASD诊断能力.
主要方法:
- 开发了一种新的转移学习 (TL) 与花算法精确自闭症谱系障碍检测和分类 (FTLDA-AASDDC) 方法的融合.
- 用双边过器 (BF) 预处理面部图像以减少噪音.
- 在TL框架内使用了MobileNetV2,DenseNet201和ResNet50模型的融合,用于分类的基于注意力的双向长短期记忆 (A-BiLSTM). 花算法 (DA) 优化了A-BiLSTM的参数.
主要成果:
- FTLDA-AASDDC技术在从面部图像中检测和分类ASD方面表现出卓越的性能.
- 实验验证实现了高分类准确率97.50%,超过了现有方法.
- 整合TL,A-BiLSTM和DA显著提高了ASD检测的有效性.
结论:
- 拟议的FTLDA-AASDDC方法提供了一个有希望的AI驱动的解决方案,用于准确和早期检测自闭症谱系障碍 (ASD).
- 面部图像分析与先进的机器学习技术相结合,可以克服目前对ASD的诊断局限性.
- 这种方法有可能极大地帮助临床医生识别和分类ASD.
