Nov, 2023

基于联邦学习的支持向量分类器实现精准自闭症谱系障碍预测 (SVCFL)

PDF
TL;DR通过使用四个数据集，采用联邦学习方法收集数据并使用支持向量分类器方法进行诊断，本文讨论了这种障碍的早期诊断。利用这种方法，我们预测孤独症谱系障碍的准确率达到 99％，结果改善了 13％。
autism diagnosisartificial intelligencediagnostic toolsdata analysisearly diagnosis
发现论文，激发创造
  • 机器学习方法在自闭症谱系障碍的早期诊断中的应用

    利用不同机器学习算法研究自闭症的诊断方法，发现了最重要的特征并自动化了诊断过程，同时采用流行的聚类算法对数据集进行了进一步分析，得出了最佳聚类模型。

    Sep, 2023

  • 通过 INDT-ASD 印度数据库利用机器学习进行早期自闭症检测

    通过使用机器学习开发了一种简便、快速和低成本的方法来识别自闭症，其中支持向量机作为最优模型具有更高的准确率、更高的召回率以及相对于随机森林提高了 2.22％至 6.67％的准确率。

    Apr, 2024

  • 提高 ASD 检测准确性：结合自然语言处理的机器学习和深度学习模型的综合方法

    利用人工智能（AI）诊断自闭症谱系障碍（ASD）的研究表明了其对 ASD 诊断尤其是儿童的早期发现的重要性，使用深度学习和机器学习从社交媒体的文本输入中检测 ASD，达到了 88% 的高准确率。

    Mar, 2024

  • 自闭症检测的概率深度学习方法比较

    研究使用机器学习来加速 ASD 检测和诊断的最新概率方法，着重评估其适用的数据集类型、准确性以及在 ASD 分类中的表现。

    Mar, 2023

  • 基于深度学习的视频自闭症检测

    自闭症谱系障碍 (ASD) 对儿童的生活常常造成困难，因此早期诊断对于正确的治疗和关怀是必要的。为了帮助医疗专业人员早期发现，我们提出了一种分析儿童对感官刺激反应的深度学习模型，旨在捕捉 ASD 和非 ASD 患者之间反应和行为的关键差异。与许多 ASD 分类中的研究不同，我们的数据是由 MRI 数据组成，这需要昂贵的专用 MRI 设备，而我们的方法仅依赖于一台相对较便宜的 GPU、一套不错的计算机配置和一个用于推断的视频摄像机。我们的数据结果表明，我们的模型能够很好地进行泛化并理解患者不同运动之间的关键差异，尽管对于深度学习问题的数据量有限，模型输入上有限的时间信息和因运动而产生的噪音。

    Feb, 2024

  • 使用深度学习方法筛选儿童自闭症谱系障碍：通过与其他模型进行比较来评估 YOLOv8 的分类模型

    本研究使用 YoloV8 模型对 Kaggle 数据集中的面部图像进行分析，通过深度学习技术帮助自闭症儿童的诊断和分类，以提高早期干预和治疗效果。

    Jun, 2023

  • 基于对比变分自动编码器提取的结构 MRI 特征的儿童孤独症谱系障碍分类

    本文探讨使用对比变分自编码器（CVAE）提取结构磁共振成像（s-MRI）特征进行儿童自闭症谱系障碍（ASD）机器分类的方法，数据来自深圳市儿童医院，使用转移学习策略提高预测精度，并针对不同大脑区域进行了神经解剖解释。

    Jul, 2023

  • 基于路径签名和孪生自编码器的自闭症早期诊断

    针对 2 岁以下儿童的传统的基于交流和行为模式的诊断方法不够可靠，因此我们提出了一种深度学习的方法来提取关键特征从病态的、类不平衡和异质的结构 MR 图像中进行早期的自闭症诊断，该方法通过 Siamese 验证框架扩展稀缺数据，通过无监督压缩器抑制数据不平衡，通过权重约束解决样本异质性，并使用 Path Signature 来纵向解读两个时间点的数据，以此有效的完成了早期自闭症的诊断。

    Jul, 2023

  • 基于深度强化学习的自闭症谱系障碍 fMRI 预测

    本研究使用深度强化学习算法（DRL）与监督深度学习算法（SDL）对小型 fMRI 数据集进行分类，结果表明 DRL 在准确率与泛化能力方面都优于 SDL，且对训练数据具有更高的数据利用率。

    Jun, 2022

  • 人工智能在精神分裂症预测和诊断中的作用调查

    该综述研究了使用深度学习通过 EEG 信号、功能性磁共振成像 (fMRI) 和扩散磁共振成像 (dMRI) 检测和预测精神分裂症的论文，并对这些研究进行了概述和比较，这一领域取得了重要进展。

    May, 2023