論文の概要: Detecting Autism Spectrum Disorder using Machine Learning
- arxiv url: http://arxiv.org/abs/2009.14499v1
- Date: Wed, 30 Sep 2020 08:33:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 22:43:09.802236
- Title: Detecting Autism Spectrum Disorder using Machine Learning
- Title（参考訳）: 機械学習を用いた自閉症スペクトラム障害の検出
- Authors: Md Delowar Hossain, Muhammad Ashad Kabir, Adnan Anwar, Md Zahidul
Islam
- Abstract要約: 逐次最小最適化(SMO)ベースのサポートベクトルマシン(SVM)分類器は、他のすべてのベンチマーク機械学習アルゴリズムより優れている。
Relief Attributesアルゴリズムは、ASDデータセットで最も重要な属性を特定するのに最適である。
- 参考スコア（独自算出の注目度）: 3.2861753207533937
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autism Spectrum Disorder (ASD), which is a neuro development disorder, is
often accompanied by sensory issues such an over sensitivity or under
sensitivity to sounds and smells or touch. Although its main cause is genetics
in nature, early detection and treatment can help to improve the conditions. In
recent years, machine learning based intelligent diagnosis has been evolved to
complement the traditional clinical methods which can be time consuming and
expensive. The focus of this paper is to find out the most significant traits
and automate the diagnosis process using available classification techniques
for improved diagnosis purpose. We have analyzed ASD datasets of Toddler,
Child, Adolescent and Adult. We determine the best performing classifier for
these binary datasets using the evaluation metrics recall, precision,
F-measures and classification errors. Our finding shows that Sequential minimal
optimization (SMO) based Support Vector Machines (SVM) classifier outperforms
all other benchmark machine learning algorithms in terms of accuracy during the
detection of ASD cases and produces less classification errors compared to
other algorithms. Also, we find that Relief Attributes algorithm is the best to
identify the most significant attributes in ASD datasets.
- Abstract（参考訳）: 自閉症スペクトラム障害(asd、英: autism spectrum disorder)は、神経発達障害であり、過敏症や、音や嗅覚や触覚に対する過敏症などの感覚障害を伴うことが多い。
その主な原因は遺伝学であるが、早期発見と治療は疾患の改善に役立つ。
近年,時間と費用のかかる従来の臨床手法を補完するために,機械学習に基づく知的診断が進化している。
本研究の目的は,最も重要な特徴を解明し,診断目的を改善するために利用可能な分類手法を用いて診断プロセスを自動化することである。
Toddler, Child, Adolescent, adult の ASD データセットの解析を行った。
評価指標のリコール,精度,f-測定値,分類誤差を用いて,これらのバイナリデータセットの最適性能分類器を決定する。
この結果から, 逐次最小最適化(SMO)に基づくサポートベクトルマシン(SVM)分類器は, ASD ケース検出時の精度で他のベンチマーク機械学習アルゴリズムよりも優れ, 他のアルゴリズムと比較して分類誤差が少ないことがわかった。
また、Relief AttributesアルゴリズムはASDデータセットの最も重要な属性を特定するのに最適であることがわかった。
関連論文リスト
- Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。
我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。
本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2024-09-22T02:06:05Z) - Explainable AI for Autism Diagnosis: Identifying Critical Brain Regions Using fMRI Data [0.29687381456163997]
自閉症スペクトラム障害(ASD)の早期診断と介入は、自閉症者の生活の質を著しく向上させることが示されている。
ASDの客観的バイオマーカーは診断精度の向上に役立つ。
深層学習(DL)は,医療画像データから疾患や病態を診断する上で,優れた成果を上げている。
本研究の目的は, ASD の精度と解釈性を向上させることであり, ASD を正確に分類できるだけでなく,その動作に関する説明可能な洞察を提供する DL モデルを作成することである。
論文 参考訳（メタデータ） (2024-09-19T23:08:09Z) - DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳（メタデータ） (2023-12-02T22:57:25Z) - Introducing SSBD+ Dataset with a Convolutional Pipeline for detecting
Self-Stimulatory Behaviours in Children using raw videos [1.1874952582465603]
著者らは,自閉症スペクトラム障害(ASD)の診断に役立つ,ある種の自己刺激行動を検出するための,パイプライン型ディープラーニングアーキテクチャを提案する。
リアルタイムおよびハンズフリーの自動診断を目的としたパイプラインモデルにより,全体の81%の精度が達成された。
論文 参考訳（メタデータ） (2023-11-25T16:57:24Z) - An Evaluation of Machine Learning Approaches for Early Diagnosis of
Autism Spectrum Disorder [0.0]
自閉症スペクトラム障害(Autistic Spectrum disorder、ASD)は、社会的相互作用、コミュニケーション、反復活動の困難を特徴とする神経疾患である。
本研究は,診断プロセスの強化と自動化を目的として,多様な機械学習手法を用いて重要なASD特性を同定する。
論文 参考訳（メタデータ） (2023-09-20T21:23:37Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - Comparison of Probabilistic Deep Learning Methods for Autism Detection [0.0]
自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、現在世界中で普及している神経発達障害の一つ。
この疾患の早期発見は、発症治療に役立ち、正常な生活を導くのに役立つ。
論文 参考訳（メタデータ） (2023-03-09T17:49:37Z) - Multi-class versus One-class classifier in spontaneous speech analysis
oriented to Alzheimer Disease diagnosis [58.720142291102135]
本研究の目的は,音声信号から抽出した新しいバイオマーカーを用いて自動解析を行うことにより,ADの早期診断と重症度評価の改善に寄与することである。
外付け器とフラクタル次元の機能に関する情報を使用することで、システムの性能が向上する。
論文 参考訳（メタデータ） (2022-03-21T09:57:20Z) - Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep
Learning Techniques [111.165389441988]
本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。
矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。
本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
論文 参考訳（メタデータ） (2021-05-18T11:37:57Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - Explainable and Scalable Machine-Learning Algorithms for Detection of
Autism Spectrum Disorder using fMRI Data [0.2578242050187029]
提案した深層学習モデル ASD-DiagNet は神経型スキャンから ASD の脳スキャンの分類に一貫した精度を示す。
我々の手法はAuto-ASD-Networkと呼ばれ、ディープラーニングとサポートベクトルマシン(SVM)を組み合わせて、ニューロタイプスキャンからASDスキャンを分類する。
論文 参考訳（メタデータ） (2020-03-02T18:20:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。