深度学习模型的双层性质启发了优化驱动的集体,用于有效诊断残疾人的自闭症谱系障碍

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
• 医疗信息学 医疗信息学

背景情况:

• 自闭症谱系障碍 (ASD) 是一种复杂的神经发育状况,其特点是社会沟通和互动的挑战,以及受限制和重复的行为.
• 早期和准确的自闭症诊断对于及时干预和改善受影响个体的结果至关重要.
• 机器学习 (ML) 和深度学习 (DL) 技术在增强自闭症诊断能力方面表现有前途.

研究的目的:

• 开发和评估一种有效的深度学习模型,用于诊断残疾人的自闭症谱系障碍 (ASD).
• 分析和诊断ASD的不同阶段,特别是在儿科和成人群体.
• 用先进的计算方法提高ASD检测的准确性和效率.

主要方法:

• 提出了一种新的双层元启发驱动集体深度学习,用于有效诊断残疾人的自闭症谱系障碍 (T2MEDL-EASDDP) 模型.
• 数据预处理涉及最小至最大的规范化,随后是改进的基于蝶优化算法 (IBOA) 的特征选择 (FS).
• 使用了一组深度学习模型,包括自动编码器 (AE),长期短期记忆 (LSTM) 和深度信念网络 (DBN). 使用布朗运动 (BM) 和基于定向突变方案的coati优化算法 (BDCOA) 进行了超参数调整.

主要成果:

• T2MEDL-EASDDP模型在ASD-幼儿和ASD-成人数据集上表现出卓越的性能.
• 该模型实现了97.79%的高精度,超过了现有的诊断技术.
• 有效的特征选择和集体学习有助于模型的诊断准确性.

结论:

• T2MEDL-EASDDP模型为自闭症谱系障碍 (ASD) 的诊断提供了一种强大而准确的方法.
• 整合元启发式优化和集体深度学习显著提高了ASD检测能力.
• 这种方法有可能改善早期诊断和ASD患者的支持.