基于自适应网络的模糊推理系统efficientnet用于自闭症谱系障碍检测,以优化为基础的枢纽区域提取
Satish Muppidi1, Kishore Bhamidipati2, Grandhi Siva Sankar3
1Department of Information Technology, GMR Institute of Technology, Rajam, India.
Psychiatry research. Neuroimaging
|December 24, 2025
概括
一种新的混合模型,即自适应网络基于模糊推理系统EfficientNet (ANFIS-EffNet),使用脑成像有效检测自闭症谱系障碍 (ASD). 这种方法为诊断自闭症提供了更准确,更有效的方法,改进了传统的技术.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 自闭症谱系障碍 (ASD) 与神经活动异常和早期大脑发育有关.
- 传统的ASD诊断方法耗时,结果不清楚,影响社会和沟通技巧.
- 需要对ASD进行先进,高效和准确的诊断工具.
研究的目的:
- 开发和评估一种新的混合方法来检测自闭症谱系障碍 (ASD).
- 通过神经成像数据提高ASD诊断的准确性和效率.
- 将自适应网络基于模糊推理 (ANFIS) 和EfficientNet结合起来,以加强ASD识别.
主要方法:
- 通过修改ANFIS和EfficientNet层,开发了一种混合模型,即基于自适应网络的模糊推理系统EfficientNet (ANFIS-EffNet).
- 图像的预处理涉及到异型扩散和感兴趣区域 (ROI) 提取.
- 基于功能连接的关键区域提取使用了亚当战争战略优化 (AWSO),结合了亚当优化和战争战略优化 (WSO).
- 特征提取包括学习不变特征转换 (LIFT) 和统计方法.
主要成果:
- 该ANFIS-EffNet模型在ASD检测方面表现出很高的性能.
- 获得了93.219%的准确性.
- 获得了93.670%的灵敏度和93.840%的特异性.
结论:
- ANFIS-EffNet模型为自闭症谱系障碍的检测提供了一种高度有效和准确的方法.
- 这种混合方法在准确性和效率方面明显优于传统方法.
- 开发的模型显示了改善ASD早期诊断和干预的希望.
更多相关视频
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
11.4K
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.7K
