囊DenseNet++:增强自闭症检测框架与深度学习和强化学习基于生活方式的建议
Ahmed Ibrahim Alutaibi1, Sunil Kumar Sharma2, Ahmad Raza Khan3
1Department of Computer Engineering, College of Computer and Information Sciences, Majmaah University, Majmaah, 11952, Saudi Arabia.
Computers in biology and medicine
|March 22, 2025
概括
这项研究引入了一种新的深度学习框架,用于早期发现自闭症谱系障碍 (ASD) 和个性化生活方式建议. 先进的系统实现了高精度,帮助及时诊断和儿童的干预.
科学领域:
- 神经科学和人工智能 人工智能
- 发育儿科 发育儿科
- 医疗保健中的机器学习
背景情况:
- 自闭症谱系障碍 (ASD) 诊断依赖于主观方法,影响成本效益和结果的统一性.
- 早期识别和量身定制的干预措施对于改善ASD儿童发育结果至关重要.
- 全球范围内,特别是沙特阿拉伯,自闭症患病率的增加需要改进的诊断工具.
研究的目的:
- 开发和评估一个双相深度学习框架,以准确检测ASD.
- 实施个性化的生活方式建议系统,使用强化学习来管理ASD.
- 提高ASD诊断方法的效率和可解释性.
主要方法:
- 使用多尺度统计技术和CosmoNest优化器 (非洲和蝶优化算法的混合体) 的特征提取.
- 使用Capsule DenseNet++对优化功能的分类,以有效和可解释的ASD识别.
- 通过近接政策优化 (PPO) 提供个性化的生活方式建议,这是一个强化学习算法,用于适应性干预.
主要成果:
- 深度学习框架在两个数据集中在ASD检测方面表现出很高的表现.
- 获得的准确率为99.2%和99.3%,精度为98.5%和98.7%,灵敏度为98.7%和98.9%,F1分数为99.1%和99.2%.
- 该PPO算法动态调整生活方式建议,以优化干预措施.
结论:
- 拟议的两阶段深度学习框架为自闭症谱系障碍检测提供了强大而准确的解决方案.
- 强化学习的整合提供了个性化和适应性的生活方式建议,增强了ASD管理.
- 这一框架显示了改善全球ASD早期诊断和干预策略的巨大潜力.
