Архиви на клинични и биомедицински изследвания

Меню на дневника

Абстрахиране и индексиране

Прогнозиране на разстройство от аутистичния спектър с помощта на изкуствена невронна мрежа: Алгоритъм на Левенб ерг-Маркуард

Информация за статия

Avishek Choudhury *, Christopher M Greene

Университет Бингхамтън, Ню Йорк, САЩ

* Автора за кореспонденция: Avishek Choudhury, докторант, Университет Binghamton, Системни науки и индустриално инженерство, Инженерна сграда, L2, Vestal, NY 13902, САЩ, Тел: +1 (806) 500-8025;

Получено: 29 август 2018 г .; Прието: 12 септември 2018 г .; Публикувано: 26 ноември 2018 г.

Цитат: Avishek Choudhury, Christopher M Greene. Прогнозиране на разстройство от аутистичния спектър с помощта на изкуствена невронна мрежа: Алгоритъм на Левенберг-Маркард. Вестник по биоинформатика и системна биология 1 (2018): 001-010.

Резюме

Състоянието на аутистичния спектър (ASC) или разстройството от аутистичния спектър (ASD) се идентифицира предимно с помощта на поведенчески индикации, обхващащи социални, сензорни и двигателни характеристики. Въпреки че по време на диагностиката се измерват повтарящи се двигателни действия, количествено измеримите мерки, които установяват кинематичните физиономии в конфигурациите на движение на аутистите, не са адекватно проучени, възпрепятствайки напредъка в разбирането на етиологията на двигателното осакатяване. Тематични аспекти като поведенчески характери, които влияят на ASD, се нуждаят от допълнително проучване. Понастоящем са налични ограничени набори от данни за аутизъм, съпътстващи скрининг на ASD, и повечето от тях са генетични. Следователно в това проучване използвахме набор от данни, свързан с скрининг на аутизъм, обхващащ десет поведенчески и десет лични атрибути, които са били ефективни при диагностицирането на случаи на ASD от контролите в науката за поведението. Диагнозата ASD е изчерпателна и неикономична. Процъфтяващите случаи на ASD в световен мащаб налагат необходимостта от бърз и икономичен инструмент за скрининг. Нашето проучване имаше за цел да приложи изкуствена невронна мрежа с алгоритъма на Левенберг-Маркуард за откриване на ASD и изследване на неговата точност на предсказване. Последователно разработвайте система за клинично подпомагане на вземането на решения за ранна идентификация на ASD.

Ключови думи

Невронни мрежи, алгоритъмът на Левенберг-Маркард, система за подпомагане на решенията на клиниката, диагностика на аутизма

Подробности за статията

1. Въведение
Разстройството на аутистичния спектър (ASD) е фракция от полигенетично развиващо се мозъчно разстройство, придружено от поведенческо и когнитивно осакатяване [1]. Това е болест за неврологично развитие през целия живот, изобразена от недостатъци в комуникацията, взаимодействието и ограниченото поведение [2]. Въпреки че ASD се идентифицира главно от поведенчески и социални физиономии, аутистите често проявяват опетнена двигателна способност като намалена физическа синхронизация, нестабилен телесен баланс и необичайни модели на стойка и движение [3-5]. Хората с ASD показват стереотипни повтарящи се действия, ограничени интереси, лишаване от контрол на инстинкта, речеви недостатъци, компрометиран интелект и социални умения в сравнение с типично развиващите се деца (TD) [6]. Направена е добре установена работа при диагностицирането на ASD с помощта на кинематични физиономии.

С цел разработване на система за клинична подкрепа за вземане на решения, ние прилагаме изкуствени невронни мрежи с алгоритъма на Левенберг-Маркуард върху набор от данни, който съдържа десет поведенчески и десет лични качества на възрастни със и без ASD.

2. Методология
Това проучване не включва никакво участие на хора. Извличахме данните от библиотеката на UCI. Данните и описанието на данните са предоставени с тази статия. Състои се от 20 предиктора (десет поведенчески и десет лични атрибута), една променлива за отговор в 704 случая.

Методологията, предназначена за това проучване, може да бъде разделена на (а) предварителна обработка на данни, (б) проектиране на модела и (в) напасване и оценка на модела.

2.1 Предварителна обработка на данни
Предварителната обработка на данни е една от най-критичните стъпки във всички приложения за машинно обучение. В това проучване не използвахме липсващи точки с данни и разпределихме набора от данни в случаи на обучение, тестване и подбор. Следващата кръгова диаграма (фигура 1а) описва подробно употребите на всички екземпляри в набора от данни. Общият брой на инстанциите е 704, което съдържа 424 (60,2%) екземпляра за обучение, 140 (19,9%) от селекционните инстанции и 140 (19,9%) от тестовите екземпляри. Следващата кръгова диаграма включва всички липсващи стойности.

аутистичния

Фигура 1: (а) Показва разделените данни; (b) Показва броя екземпляри, принадлежащи на всеки клас в набора от данни.

Кръговата диаграма по-горе (фигура 1b) показва разделянето на набора от данни (с изключение на всички липсващи стойности). Броят на екземплярите с отрицателен клас/ASD (син) е 222, а броят на екземплярите с положителен клас/ASD (лилав) е 90. Тази фигура също показва, че данните са небалансирани. Ние обаче не внедрихме никакъв метод за балансиране на данни.

2.2 Проектиране на модела
В тази стъпка изчислихме подходящия алгоритъм за обучение за набора ни от данни и определихме сложността на модела, който е оптималният брой неврони в мрежата.

2.2.1 Алгоритъмът на levenberg? Marquardt: Кенет Левенберг и Доналд Маркуард разработиха алгоритъма Levenberg? Marquardt (LM) [16-17], който генерира математическо решение на проблем за минимизиране на нелинейна функция. Използвахме този алгоритъм, тъй като в областта на изкуствените невронни мрежи той е бърз и има стабилна конвергенция. Алгоритъмът LM се доближава до скоростта на обучение от втори ред, без да се изчислява хесианската матрица. Добре е, когато функцията за загуба има подреждане на сума от квадрати. LM е алгоритъм за оптимизация, който превъзхожда опростените методи за градиентно спускане и конюгиран градиент в разнообразен набор от проблеми. LM алгоритъм следва уравнение 1, както е показано по-долу.

където J е матрицата на Якобиан, T означава транспониране, k е индексът на итерация, e е грешката при обучението и w е векторът на теглото.

Следващата таблица 1 показва кратко описание на параметрите, използвани за този алгоритъм.