使用极端学习机器网络的灯优化预测儿童自闭症谱系障碍
Vijay Govindarajan1, Ashit Kumar Dutta2,3, Zaffar Ahmed Shaikh4,5
1Distribution and Supply Technology, Expedia Group, Seattle, Washington, USA.
Brain and behavior
|February 17, 2026
概括
这项研究介绍了早期自闭症谱系障碍 (ASD) 检测的优化模型,提供了快速而准确的解决方案. 该系统旨在改善儿童的可访问性和干预.
科学领域:
- 儿科医疗保健 儿科医疗保健
- 机器学习应用 机器学习应用
- 发育障碍 发育障碍 发展障碍
背景情况:
- 早期预测自闭症谱系障碍 (ASD) 对于及时干预至关重要,改善发展结果.
- 目前的自闭症检测方法往往耗时,主观,缺乏可访问性,特别是在农村地区.
- 开发可扩展,客观和快速的ASD检测系统对于克服医疗保健挑战至关重要.
研究的目的:
- 提高自闭症谱系障碍 (ASD) 预测的效率和准确性.
- 解决当前ASD检测流程的局限性,包括时间限制和可访问性问题.
- 为儿童医疗保健中早期发现自闭症提供可靠和可扩展的解决方案.
主要方法:
- 将光优化与极端学习机器网络 (GO-ELMN) 模型集成用于ASD预测.
- 利用儿童自闭症查数据中的行为,人口和医疗特征.
- 使用光优化算法优化网络超参数,以处理有限和不平衡的数据.
主要成果:
- GO-ELMN模型在ASD预测方面表现出高准确度.
- 该系统实现了快速的融合速度,表明了计算效率.
- 实验结果验证了该系统在识别儿童行为模式方面的有效性.
结论:
- 开发的ASD检测模型提供了一个可解释,快速和可靠的解决方案.
- 该系统适合在儿科医疗保健领域有效使用.
- 这种方法解决了早期识别自闭症谱系障碍的关键挑战.


