基于电磁相互作用算法 (EIA) 的特征选择与自闭症谱系障碍分类的自适应内核注意力网络 (AKAttNet)

科学领域:

• 神经科学和人工智能 人工智能
• 计算精神病学是一种计算精神病学.
• 生物医学数据分析

背景情况:

• 自闭症谱系障碍 (ASD) 诊断依赖于识别认知,社会和行为模式.
• 当前的诊断方法往往缺乏准确性,高效的特征选择和计算速度.
• 早期和准确的ASD检测对于及时干预和改善结果至关重要.

研究的目的:

• 为增强自闭症谱系障碍 (ASD) 检测开发一个综合计算框架.
• 用先进的机器学习技术提高ASD分类的准确性和效率.
• 为解决ASD传统诊断方法的局限性.

主要方法:

• 集成电磁相互作用算法 (EIA) 进行最佳特征选择.
• 适应性内核注意网络 (AKAttNet) 的应用用于ASD分类.
• 对四个不同的自闭症谱系障碍 (ASD) 数据集的评估,与传统和深度学习模型进行比较.

主要成果:

• 拟议的EIA-AKAttNet模型实现了高分类准确性,在数据集中从0.901到0.9827不等.
• 与传统的机器学习和现有的深度学习方法相比,表现出卓越的性能.
• 通过EIA展示了高效的特征维度减少,从而减少了计算时间和增强了概括性.

结论:

• 混合EIA-AKAttNet框架为早期自闭症谱系障碍 (ASD) 诊断提供了实用和有效的解决方案.
• 这种方法提高了诊断准确度,同时减少了计算开销,显示了临床应用的希望.
• 这项研究强调了将深度学习与优化算法相结合的潜力,以获得可靠的ASD查系统.