Az autizmus spektrum zavar prognosztizálása mesterséges ideghálózat használatával Levenb erg-Marquardt

Klinikai és orvosbiológiai kutatások archívumai

Napló menü

Kivonatolás és indexelés

Az autizmus spektrum zavar prognosztizálása mesterséges ideghálózat használatával: Levenb erg-Marquardt algoritmus

Cikk információk

Avishek Choudhury *, Christopher M Greene

Binghamton Egyetem, New York, USA

* Levelezési cím: Avishek Choudhury, PhD hallgató, Binghamton Egyetem, Rendszertudomány és iparmérnöki munka, Mérnöki épület, L2, Vestal, NY 13902, USA, Tel: +1 (806) 500-8025;

Fogadott: 2018. augusztus 29 .; Elfogadott: 2018. szeptember 12 .; Közzétett: 2018. november 26

Idézet: Avishek Choudhury, Christopher M Greene. Az autizmus spektrum zavar prognosztizálása mesterséges ideghálózat segítségével: Levenberg-Marquardt algoritmus. Journal of Bioinformatics and Systems Biology 1 (2018): 001-010.

Absztrakt

Az autizmus spektrum állapotát (ASC) vagy az autizmus spektrum rendellenességét (ASD) elsősorban a szociális, érzékszervi és motoros jellemzőket felölelő magatartási jelzések segítségével azonosítják. Bár kategorizált, ismétlődő motoros cselekvéseket mérnek a diagnózis során, az autista személyek mozgáskonfigurációiban kinematikus fiziognómiákat megállapító számszerűsíthető intézkedéseket nem tanulmányozzák megfelelően, gátolva a motoros megcsonkítás etiológiájának megértését. Az ASD-t befolyásoló tantárgyi szempontok, például a viselkedési karakterek, további feltárást igényelnek. Jelenleg korlátozott számú autizmus adatállomány áll rendelkezésre az ASD szűrésével együtt, és többségük genetikai. Ennélfogva ebben a tanulmányban az autizmus szűrésével kapcsolatos adatkészletet használtunk fel, amely tíz olyan viselkedési és tíz személyes tulajdonságot ölel fel, amelyek hatékonyak voltak az ASD-esetek diagnosztizálásában a viselkedéstudomány kontrolljaiból. Az ASD diagnózisa időigényes és gazdaságtalan. Az egyre növekvő ASD-esetek világszerte szükségessé teszik a gyors és gazdaságos szűrőeszközt. Vizsgálatunk célja egy mesterséges ideghálózat megvalósítása volt a Levenberg-Marquardt algoritmus segítségével az ASD kimutatására és annak prediktív pontosságának vizsgálatára. Fejlesszen ki egy klinikai döntéstámogató rendszert az ASD korai azonosítására.

Kulcsszavak

Ideghálózatok, The Levenberg-Marquardt algoritmus, Clinal döntéstámogató rendszer, autizmus diagnózis

Cikk részletei

1. Bemutatkozás
Az autizmus spektrum rendellenessége (ASD) a poligenetikusan fejlődő agy rendezetlenségének frakciója, melyhez viselkedési és kognitív csonkítás társul [1]. Ez egy egész életen át tartó neurodevelopmentális betegség, amelyet a kommunikáció, az interakció és a korlátozott viselkedés elégtelenségei mutatnak be [2]. Noha az ASD-t főként a viselkedési és szociális fiziognómiák határozzák meg, az autista egyének gyakran motoros képességeket mutatnak, mint például csökkent fizikai szinkronizáció, instabil testegyensúly, szokatlan testtartás és mozgásminták [3-5]. Az ASD-ben szenvedő személyek sztereotipikusan visszatérő cselekvéseket, korlátozott érdeklődési köröket, az ösztönszabályozás előnyeit, beszédhiányosságokat, sérült értelmet és szociális készségeket mutatják a tipikusan fejlődő (TD) gyermekekhez képest [6]. Megalapozott munkát végeztek az ASD diagnosztizálásában kinematikus fiziognómiák segítségével.

A klinikai döntéstámogató rendszer fejlesztése céljából mesterséges ideghálózatokat valósítunk meg a Levenberg-Marquardt algoritmussal az adathalmazon, amely ASD-vel és anélkül felnőttek tíz viselkedési és tíz személyes tulajdonságát tartalmazza.

2. Módszertan
Ez a tanulmány nem vonja maga után az emberi alanyok részvételét. Kivontuk az adatokat az UCI könyvtárból. Az adatokat és az adatok leírását ez a cikk tartalmazza. 20 prediktorból áll (tíz viselkedési és tíz személyes tulajdonság), egy válaszváltozóból és 704 példányból.

A tanulmányhoz kidolgozott módszertan felosztható (a) adatfeldolgozásra, (b) a modell megtervezésére és (c) a modell illesztésére és értékelésére.

2.1 Az adatok előfeldolgozása
Az adatfeldolgozás az egyik legkritikusabb lépés minden gépi tanulási alkalmazásban. Ebben a tanulmányban nem használtunk hiányzó adatpontokat, és felosztottuk az adatkészletet képzési, tesztelési és kiválasztási példányokba. A következő kördiagram (1a. Ábra) részletezi az adatkészlet összes példányának felhasználását. Az összes példány 704, amely 424 (60,2%) képzési példányt, 140 (19,9%) kiválasztási példányt és 140 (19,9%) tesztelési példányt tartalmaz. A következő kördiagram az összes hiányzó értéket tartalmazza.

1.ábra: (a) megmutatja a particionált adatokat; (b) Megmutatja az adatkészlet egyes osztályaihoz tartozó példányok számát.

A fenti kördiagram (1b ábra) az adatkészlet felosztását jeleníti meg (az összes hiányzó érték kivételével). A negatív Class/ASD (kék) példányok száma 222, a pozitív Class/ASD (lila) példányok száma pedig 90. Ez az ábra azt is mutatja, hogy az adatok kiegyensúlyozatlanok. Azonban nem hajtottunk végre semmilyen adatkiegyenlítési módszert.

2.2 A modell megtervezése
Ebben a lépésben kiszámoltuk az adatkészletünk számára megfelelő képzési algoritmust, és meghatároztuk a modell komplexitását, vagyis az optimális neuronszámot a hálózatban.

2.2.1 A levenberg? Marquardt algoritmus: Kenneth Levenberg és Donald Marquardt kifejlesztették a Levenberg? Marquardt algoritmust (LM) [16-17], amely matematikai megoldást generál a nemlineáris függvény minimalizálásának problémájára. Ezt az algoritmust azért használtuk, mert a mesterséges ideghálózatok területén gyors és stabil konvergenciát mutat. Az LM algoritmus a Hessian-mátrix kiszámítása nélkül megközelíti a másodrendű edzéssebességet. Akkor áll jól, ha a veszteségfüggvény négyzetösszeggel rendelkezik. Az LM egy optimalizáló algoritmus, amely a problémák változatos választékában felülmúlja az egyszerű gradiens süllyedés és a konjugált gradiens módszereket. Az LM algoritmus az 1. egyenletet követi az alábbiak szerint.

ahol J a jakob mátrix, T jelentése transzponál, k az iteráció indexe, e az edzési hiba és w a súlyvektor.

Az alábbi 1. táblázat az algoritmushoz használt paraméterek rövid leírását tartalmazza.