Прогнозування розладу спектру аутизму за допомогою штучної нейронної мережі Левенб Ерг-Марквардт

Архів клінічних та біомедичних досліджень

Меню журналу

Абстрагування та індексування

Прогнозування розладу спектра аутизму за допомогою штучної нейронної мережі: Алгоритм Левенба Ерг-Марквардта

Інформація про статтю

Авішек Чудхурі *, Крістофер М Грін

Бінгемтонський університет, Нью-Йорк, США

* Відповідний автор: Авішек Чоудхурі, докторант, Бінгемтонський університет, системні науки та промислова інженерія, Інженерне будівництво, L2, Вестал, Нью-Йорк 13902, США, тел .: +1 (806) 500-8025;

Отримано: 29 серпня 2018 р .; Прийнято: 12 вересня 2018 р .; Опубліковано: 26 листопада 2018 року

Цитування: Авішек Чудхурі, Крістофер М Грін. Прогнозування розладу спектру аутизму за допомогою штучної нейронної мережі: Алгоритм Левенберга-Маркварта. Журнал біоінформатики та системної біології 1 (2018): 001-010.

Анотація

Стан спектра аутизму (АСК) або розлад аутистичного спектру (АСД) в основному ідентифікується за допомогою поведінкових ознак, що охоплюють соціальні, сенсорні та рухові характеристики. Хоча класифіковані, періодичні рухові дії вимірюються під час діагностики, кількісно вимірювані показники, що встановлюють кінематичні фізіономії в конфігураціях руху аутистів, недостатньо вивчені, що заважає прогресу в розумінні етіології рухових каліцтв. Такі аспекти, як поведінкові персонажі, що впливають на РАС, потребують подальшого вивчення. В даний час доступні обмежені набори даних про аутизм, супутні скринінгу АСД, і більшість із них є генетичними. Отже, у цьому дослідженні ми використовували набір даних, пов’язаний із скринінгом аутизму, що охоплює десять поведінкових та десять особистих атрибутів, які були ефективними для діагностики випадків РАС за допомогою контролів у науці про поведінку. Діагностика РАС вичерпна і неекономічна. Зростаючі випадки АСД у всьому світі вимагають швидкого та економічного інструменту скринінгу. Наше дослідження мало на меті впровадження штучної нейронної мережі за допомогою алгоритму Левенберга-Марквардта для виявлення ASD та вивчення його прогнозної точності. Послідовно розробляйте систему клінічної підтримки прийняття рішень для ранньої ідентифікації ASD.

Ключові слова

Нейронні мережі, алгоритм Левенберга-Марквардта, система підтримки прийняття рішень у клініці, діагностика аутизму

Подробиці статті

1. Вступ
Розлад аутистичного спектру (АСЗ) - це фракція полігенетичного еволюційного розладу мозку, що супроводжується поведінковими та когнітивними каліцтвами [1]. Це хвороба нервового розвитку протягом усього життя, що описується недостатністю у спілкуванні, взаємодії та обмеженою поведінкою [2]. Хоча ASD ідентифікується головним чином за допомогою поведінкової та соціальної фізіономії, особи, що страждають аутизмом, часто виявляють заплямовані рухові здібності, такі як знижена фізична синхронізація, нестабільний баланс тіла та незвичні пози та рухи [3-5]. Особи з РАС демонструють стереотипні повторювані дії, обмежені інтереси, недолік контролю інстинкту, мовленнєву недостатність, порушений інтелект та соціальні навички порівняно із типово розвиваються дітьми (6). Проведена добре налагоджена робота з діагностики РАС за допомогою кінематичних фізіономій.

З метою розробки клінічної системи підтримки прийняття рішень, ми впроваджуємо штучні нейронні мережі з алгоритмом Левенберга-Марквардта на наборі даних, що містить десять поведінкових та десять особистих атрибутів дорослих із ASD та без нього.

2. Методологія
Це дослідження не передбачає жодної участі суб'єктів-людей. Ми витягли дані з бібліотеки UCI. Дані та опис даних надаються в цій роботі. Він складається з 20 предикторів (десять поведінкових та десять особистих атрибутів), одна змінна відповіді в 704 випадках.

Методологію, розроблену для цього дослідження, можна розділити на (a) попередню обробку даних, (b) проектування моделі та (c) встановлення та оцінку моделі.

2.1 Попередня обробка даних
Попередня обробка даних є одним з найбільш важливих кроків у всіх програмах машинного навчання. У цьому дослідженні ми не використовували відсутні точки даних і розділили набір даних на екземпляри навчання, тестування та відбору. Наступна кругова діаграма (рис. 1а) детально описує використання всіх екземплярів у наборі даних. Загальна кількість екземплярів - 704, що містить 424 (60,2%) навчальних екземплярів, 140 (19,9%) екземплярів відбору та 140 (19,9%) екземплярів тестування. Наступна кругова діаграма включає всі відсутні значення.

Фігура 1: (a) Відображає розділені дані; (b) Показує кількість екземплярів, що належать кожному класу в наборі даних.

На круговій діаграмі вище (рисунок 1b) показано розділення набору даних (за винятком усіх відсутніх значень). Кількість екземплярів із негативним Класом/ASD (синій) дорівнює 222, а кількість екземплярів із позитивним Класом/ASD (фіолетовий) дорівнює 90. Цей малюнок також показує, що дані є незбалансованими. Однак ми не застосовували жодного методу збалансування даних.

2.2 Проектування моделі
На цьому кроці ми розрахували відповідний навчальний алгоритм для нашого набору даних і визначили складність моделі, тобто оптимальну кількість нейронів у мережі.

2.2.1 Алгоритм Левенберга? Марквардта: Кеннет Левенберг та Дональд Маркуардт розробили алгоритм Левенберга? Марквардта (LM) [16-17], який генерує математичне рішення проблеми мінімізації нелінійної функції. Ми використовували цей алгоритм, оскільки в області штучних нейронних мереж він швидкий і має стабільну конвергенцію. Алгоритм LM наближається до швидкості навчання другого порядку без обчислення матриці Гесса. Це добре, коли функція збитків має розміщення суми квадратів. LM - це алгоритм оптимізації, який перевершує прості методи градієнтного спуску та спряжених градієнтів у різноманітному асортименті задач. Алгоритм LM слідує рівнянню 1, як показано нижче.

де J - матриця Якобія, T означає транспонування, k - індекс ітерації, e - помилка тренування, w - вектор ваги.

У наступній таблиці 1 наведено короткий опис параметрів, що використовуються для цього алгоритму.