تشخیص اختلال طیف اوتیسم با استفاده از شبکه‌های عصبی کانولوشنال

عنوان فارسی مقاله:تشخیص اختلال طیف اوتیسم با استفاده از شبکه‌های عصبی کانولوشنال

چکیده

برای مدت طولانی، اختلال طیف اوتیسم به عنوان یک بیماری چالش‌های قابل توجهی در تشخیص زودهنگام برای جامعه پزشکی و سلامت ایجاد کرده است. تشخیص زودهنگام ASD برای مداخله زودهنگام و مدیریت کافی این بیماری بسیار مهم است. چندین مطالعه نشان داده‌اند که کودکان مبتلا به ASD درجات مختلفی از چالش‌ها در کارهاو تکالیف نوشتن دارند. از این رو، این تحقیق ایجاد یک مجموعه داده دست خط از افراد ASD و غیر ASD را برای طبقه بندی یادگیری عمیق پیشنهاد کرده است. مجموعه داده ایجاد شده بر اساس یک سری وظایف دست خط است که به موضوعاتی مانند طراحی و نوشتن داده شده است. مجموعه داده برای پیشنهاد یک روش تشخیص ASD خودکار یادگیری عمیق استفاده شد. با استفاده از الگوریتم یادگیری انتقال GoogleNet، هر کار دست خط در مجموعه داده برای هر موضوع آموزش داده شده و طبقه بندی می‌شود. این کار به این دلیل انجام می‌شود که در سناریوهای واقعی یک سوژه ASD ممکن است با انجام و تکمیل تمام کارهای نوشتن مطابقت نداشته باشد. با استفاده از نسبت آموزش و ازمایشی ۸۰:۲۰، در مجموع از ۱۰۴ تکالیف دست خط آزمودنی به عنوان ورودی برای آموزش و طبقه بندی استفاده شد و نشان داده شده است که رویکرد پیشنهادی می‌تواند ASD را به درستی با دقت ۹۰٫۴۸ درصد طبقه بندی کند که در آن حساسیت، ویژگی و امتیاز F1 به ترتیب ۸۰%، ۱۰۰% و ۱۰۰% محاسبه شده است. نتایج روش پیشنهادی ما عملکرد چشمگیری را نشان می‌دهد و نشان می‌دهد که استفاده از کارهای دست خط پتانسیل قابل‌توجهی برای تشخیص زودهنگام ASD دارد.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Diagnosis of Autism Spectrum Disorder Using Convolutional Neural Networks

Abstract

Autism spectrum disorder as a condition has posed significant early diagnosis challenges to the medical and health community for a long time. The early diagnosis of ASD is crucial for early intervention and adequate management of the condition. Several kinds of literature have shown that children with ASD have varying degrees of challenges in handwriting tasks; hence, this research has proposed the creation of a handwritten dataset of both ASD and non-ASD subjects for deep learning classification. The created dataset is based on a series of handwritten tasks given to subjects such as drawing and writing. The dataset was used to propose a deep learning automated ASD diagnosis method. Using the GoogleNet transfer learning algorithm, each handwritten task in the dataset is trained and classified for each subject. This is done because in real-life scenarios an ASD subject may not comply to performing and finishing all handwritten tasks. Using a training and testing ratio of 80:20, a total of 104 subjects’ handwritten tasks were used as input for training and classification, and it is shown that the proposed approach can correctly classify ASD with an accuracy of 90.48%, where sensitivity, specificity, and F1 score are calculated as 80%, 100%, and 100%, respectively. The results of our proposed method exhibit an impressive performance and indicate that the use of handwritten tasks has a significant potential for the early diagnosis of ASD.