بسم الله الرحمن الرحیم



تشخیص طیف اختلال اوتیسم براساس ویژگی‌های رفتاری و چهره‌ای با کمک هوش‌مصنوعی



استاد راهنما:

دکتر سید محمد نوربخش رضائی


پژوهشگران:

علی هاشمی

علی ابراهیمیان

مقدمه

اختلال طیف اوتیسم Autism Spectrum Disorder (ASD) یکی از اختلالات رشدی است که به دلیل ناهنجاری‌های نوروبیولوژیکی بروز می‌کند و می‌تواند تأثیرات قابل توجهی بر مهارت‌های اجتماعی، توانایی‌های ارتباطی، یادگیری و رفتار افراد داشته باشد. این اختلال معمولاً در دو سال نخست زندگی ظاهر می‌شود و به دلیل تنوع در شدت و نوع علائم، اصطلاح "طیف" به آن اطلاق می‌شود. بر اساس آمار سازمان بهداشت جهانی، اوتیسم حدود 1 نفر از هر 160 نفر در سراسر جهان را تحت تأثیر قرار می‌دهد که معادل 2 درصد از جمعیت جهانی است. در ایالات متحده، شیوع اوتیسم به‌طور خاص نگران‌کننده است، به‌طوری که آمارها نشان می‌دهند از هر 36 کودک، یک نفر به این اختلال مبتلا است.

افراد مبتلا به اوتیسم معمولاً در حفظ تماس چشمی، درک احساسات دیگران و تطبیق با موقعیت‌های اجتماعی با چالش مواجه می‌شوند و رفتارها و علایق آن‌ها ممکن است محدود و تکراری باشد. علاوه بر این، ویژگی‌های خاصی در نحوه تفکر، حرکت و توجه این افراد مشاهده می‌شود. اگرچه دلیل قطعی بروز اوتیسم هنوز به‌طور کامل شناسایی نشده است، شواهد نشان می‌دهند که عوامل ژنتیکی و محیطی نقش مهمی در بروز این اختلال دارند. برای نمونه، تحقیقات حاکی از آن است که میزان بافت‌های مغزی در مخچه افراد مبتلا به اوتیسم به‌طور قابل توجهی کمتر است.

تشخیص اوتیسم معمولاً در دو مرحله انجام می‌شود: نخست، غربالگری اولیه برای شناسایی تأخیرهای رشدی و سپس ارزیابی‌های تکمیلی نظیر معاینات عصبی، آزمون‌های شناختی، مشاهده رفتار، بررسی مهارت‌های زبانی و آزمایش شنوایی. شناسایی و مداخله زودهنگام نقش کلیدی در کاهش شدت علائم اوتیسم دارد و می‌تواند به بهبود مشکلاتی نظیر پرخاشگری، بیش‌فعالی، کمبود توجه، اضطراب و افسردگی کمک کند. این مداخلات همچنین زمینه را برای رشد مهارت‌های لازم جهت یک زندگی مستقل در آینده فراهم می‌کنند.

با توجه به روند افزایشی شیوع اوتیسم، که بر اساس آمار سال 2022 در ایالات متحده از هر 44 کودک یک نفر به این اختلال مبتلا است، توجه به غربالگری و درمان به‌موقع این اختلال اهمیت روزافزونی پیدا کرده است. از سوی دیگر، پیشرفت‌های فناوری به‌ویژه در حوزه یادگیری ماشین (Machine Learning)، نویدبخش تغییرات بزرگی در فرآیند تشخیص اوتیسم بوده است. الگوریتم‌های یادگیری ماشین قادرند داده‌های حجیم را با سرعت و دقت بیشتری نسبت به انسان تحلیل کنند. این ابزارها می‌توانند ویژگی‌های متعدد افراد مبتلا به اوتیسم را بررسی کرده و ویژگی‌های مشترک میان آن‌ها را استخراج کنند. این قابلیت نه تنها به تشخیص سریع‌تر و دقیق‌تر اوتیسم کمک می‌کند، بلکه امکان شروع مداخلات درمانی در مراحل ابتدایی را نیز فراهم می‌آورد.

بررسی منابع (مرور مقالات)

(۱) Autism Screening in Toddlers and Adults Using Deep Learning and Fair AI Techniques

۱.۱ مجموعه داده‌ها

دو مجموعه داده مستقل برای بررسی غربالگری اوتیسم استفاده شده است:

۱.۲ پرسشنامه‌ها

۱.۲.۱ کودکان خردسال

در نهایت، امتیاز کل با جمع‌بندی امتیازهای ده سوال به دست می‌آید. اگر امتیاز کل ۳ یا بیشتر باشد، این ممکن است نشان‌دهنده احتمال وجود صفات اوتیسمی باشد و به تشخیص نیازمند بررسی‌های تخصصی توسط یک تیم چندرشته‌ای است.

شماره سوال گزینه 1 گزینه 2 گزینه 3 گزینه 4 گزینه 5
1 آیا کودک شما هنگام صدا زدن نامش به شما نگاه می‌کند؟ همیشه معمولاً گاهی اوقات به ندرت هرگز
2 چقدر آسان است که با کودک خود تماس چشمی برقرار کنید؟ خیلی آسان نسبتاً آسان نسبتاً سخت خیلی سخت غیرممکن
3 آیا کودک شما برای نشان دادن چیزی که می‌خواهد (مثلاً یک اسباب‌بازی دور از دسترس) اشاره می‌کند؟ چندین بار در روز چند بار در روز چند بار در هفته کمتر از یک بار در هفته هرگز
4 آیا کودک شما برای نشان دادن علاقه‌مندی خود به چیزی (مثلاً اشاره به یک منظره جالب) اشاره می‌کند؟ چندین بار در روز چند بار در روز چند بار در هفته کمتر از یک بار در هفته هرگز
5 آیا کودک شما نقش‌بازی می‌کند؟ (مثلاً مراقبت از عروسک‌ها یا صحبت با یک تلفن اسباب‌بازی) چندین بار در روز چند بار در روز چند بار در هفته کمتر از یک بار در هفته هرگز
6 آیا کودک شما دنبال می‌کند که شما به کجا نگاه می‌کنید؟ چندین بار در روز چند بار در روز چند بار در هفته کمتر از یک بار در هفته هرگز
7 اگر شما یا فرد دیگری در خانواده به‌طور مشهود ناراحت باشید، آیا کودک شما نشانه‌ای از تمایل به دلداری دادن نشان می‌دهد؟ (مثلاً نوازش مو، بغل کردن) همیشه معمولاً گاهی اوقات به ندرت هرگز
8 آیا اولین کلمات کودک شما را می‌توان اینگونه توصیف کرد: خیلی معمولی نسبتاً معمولی کمی غیرمعمول خیلی غیرمعمول کودک من صحبت نمی‌کند
9 آیا کودک شما از حرکات ساده استفاده می‌کند؟ (مثلاً خداحافظی با دست) چندین بار در روز چند بار در روز چند بار در هفته کمتر از یک بار در هفته هرگز
10 آیا کودک شما به چیزی بدون هدف مشخص خیره می‌شود؟ چندین بار در روز چند بار در روز چند بار در هفته کمتر از یک بار در هفته هرگز

این جدول فارسی‌شده (Q-CHAT-10) است که بر اساس www.autismresearchcentre.com می‌باشد.

۱.۲.۲ بزرگسالان

شماره سوال گزینه ۱ ("کاملاً موافق") گزینه ۲ ("تا حدی موافق") گزینه ۳ ("تا حدی مخالف") گزینه ۴ ("کاملاً مخالف")
۱ من اغلب صداهای ریز را متوجه می‌شوم که دیگران متوجه نمی‌شوند.
۲ معمولاً بیشتر روی کل تصویر تمرکز می‌کنم تا جزئیات کوچک.
۳ برای من انجام چند کار به طور همزمان آسان است.
۴ اگر وقفه‌ای پیش بیاید، می‌توانم خیلی سریع به کاری که انجام می‌دادم بازگردم.
۵ فهمیدن مفهوم پنهان صحبت دیگران برای من آسان است.
۶ می‌دانم چگونه بفهمم که آیا کسی که به صحبت‌های من گوش می‌دهد خسته شده است یا خیر.
۷ وقتی داستانی می‌خوانم، برایم سخت است نیت شخصیت‌ها را بفهمم.
۸ من دوست دارم اطلاعاتی در مورد دسته‌بندی‌های مختلف (مثلاً انواع ماشین، انواع پرنده، انواع قطار و ...) جمع‌آوری کنم.
۹ فهمیدن احساس یا فکر کسی تنها با نگاه کردن به صورت او برای من آسان است.
۱۰ فهمیدن نیت افراد برای من دشوار است.

این جدول فارسی‌شده (AQ-10) بر اساس www.autismresearchcentre.com تهیه شده است.

۱.۳ روش‌شناسی

در این مطالعه از شبکه‌های عصبی کانولوشنی (CNN) برای شناسایی الگوها در داده‌ها استفاده شده است. معماری این شبکه شامل لایه‌های مختلفی مانند لایه کانولوشنی، لایه ماکس پولینگ و لایه کاملاً متصل است که هر کدام وظیفه خاصی را انجام می‌دهند.
لایه کانولوشنی شامل فیلترهایی است که با اعمال عملیات کانولوشن، نقشه‌های ویژگی (Feature Maps) را از ویژگی‌های ورودی تولید می‌کنند. معادله این عملیات به صورت زیر تعریف شده است:
$$ f = V(x * w_f + y_f) $$ که در آن:

شبکه حافظه بلندمدت کوتاه‌مدت (LSTM) برای حل مشکل محو یا انفجار گرادیان در شبکه‌های عصبی بازگشتی معرفی شده است. این شبکه شامل گیت‌های ورودی، خروجی و فراموشی است که اطلاعات مهم را از طریق ضرب نقطه‌ای و تابع سیگموید مدیریت می‌کنند.

معماری سیستم LSTM
تصویر(۱) نمایش معماری سیستم LSTM.

۱.۴ معماری پیشنهادی

معماری پیشنهادی شامل CNN و LSTM است که با استفاده از بهینه‌سازی ازدحام ذرات (PSO) برای تشخیص دقیق اوتیسم طراحی شده است.

لایه کاملاً متصل خروجی نهایی را با استفاده از تابع فعال‌سازی Softmax ارائه می‌دهد. الگوریتم PSO تعداد لایه‌های CNN و LSTM، تعداد واحدها، و تعداد اپوک‌ها را بهینه می‌کند. فضای جستجو با مقادیر تصادفی برای لایه‌ها، فیلترها و اپوک‌ها مقداردهی اولیه می‌شود.
تابع برازش، که به صورت ریشه میانگین مربعات خطا (RMSE) تعریف شده است، برای بهینه‌سازی مقادیر ابرپارامترها استفاده می‌شود.

۱.۵ معماری هیبریدی GRU–CNN

در این معماری، شبکه‌های GRU و CNN با یکدیگر ترکیب شده‌اند. مشکلاتی مانند محو یا انفجار گرادیان و حافظه کوتاه‌مدت با استفاده از مکانیزم گیت‌ها در GRU مدیریت می‌شود.

معماری سیستم GRU
تصویر(۲) نمایش معماری سیستم GRU.

معماری شامل:

۱.۶ وابستگی ها

۱.۷ معیارهای ارزیابی

  1. دقت (Accuracy): نسبت پیش‌بینی‌های صحیح به کل پیش‌بینی‌ها.

$$\text{Accuracy} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{TN} + \text{FP} + \text{FN}}$$

  1. دقت مثبت (Precision): نسبت پیش‌بینی‌های مثبت صحیح به کل پیش‌بینی‌های مثبت.

$$\text{Precision} = \frac{\text{TP}}{\text{FP}+\text{TP}}$$

  1. بازخوانی (Recall): توانایی مدل در شناسایی موارد مثبت واقعی.

$$\text{Recall} = \frac{\text{TP}}{\text{FN} + \text{TP}}$$

  1. F1-Score: میانگین هارمونیک دقت و بازخوانی.

$$F1 = \frac{\text{Precision} \times \text{Recal} \times 2}{\text{Precision} + \text{Recall}}$$

۱.۸ نتایج

۱.۸.۱ عملکرد مدل‌های یادگیری ماشین برای کودکان خردسال

مدل‌ها دقت (%) دقت مثبت بازخوانی F1-Score زمان اجرا (میلی‌ثانیه)
KNN 78.12 0.67 0.72 0.87 246,464
LR 85.38 0.81 0.88 0.88 127,787
RF 90.88 0.90 0.77 0.82 276,126
DT 91.02 0.88 0.82 0.84 203,664
SVC 87.77 0.84 0.89 0.74 364,248
MLP 91.90 0.88 0.78 0.80 366,024
ANN 92.68 0.89 0.81 0.81 372,866
CNN 97.78 0.94 0.86 0.89 442,886
LSTM 94.49 0.93 0.92 0.90 504,994
GRU 92.78 0.90 0.88 0.87 658,021
CNN–LSTM 95.66 0.91 0.92 0.92 640,482
CNN–LSTM–PSO 99.64 0.96 0.94 0.91 840,599
GRU–CNN 95.02 0.92 0.90 0.88 728,894
مقایسه کارایی مدل ها برای کودکان خردسال
تصویر(۳) نمایش مقایسه کارایی مدل ها برای کودکان خردسال.

۱.۸.۲ عملکرد مدل‌های یادگیری ماشین برای بزرگسالان

مدل‌ها دقت (%) دقت مثبت بازخوانی F1-Score زمان اجرا (میلی‌ثانیه)
KNN 90.08 0.78 0.77 0.82 266,848
LR 93.05 0.90 0.84 0.88 208,664
RF 94.68 0.91 0.88 0.88 382,677
DT 92.62 0.89 0.82 0.84 300,116
SVC 92.36 0.90 0.88 0.90 480,248
MLP 95.04 0.92 0.82 0.86 521,436
ANN 95.83 0.89 0.89 0.88 588,644
CNN 96.81 0.92 0.93 0.91 682,042
LSTM 93.44 0.85 0.81 0.83 654,883
GRU 96.04 0.90 0.92 0.94 778,899
CNN–LSTM 96.66 0.92 0.91 0.94 729,890
CNN–LSTM–PSO 98.89 0.94 0.91 0.93 900,048
GRU–CNN 94.02 0.90 0.90 0.88 814,766
مقایسه کارایی مدل ها برای بزرگسالان
تصویر(۴) نمایش مقایسه کارایی مدل ها برای بزرگسالان.

۱.۹ نتیجه‌گیری

بین ۱۳ مدل یادگیری ماشین، مدل CNN–LSTM–PSO بهترین عملکرد را در هر دو مجموعه داده کودکان و بزرگسالان نشان داده است. این مدل با دقت ۹۹.۶۴٪ برای کودکان و ۹۸.۸۹٪ برای بزرگسالان، نسبت به سایر مدل‌ها برتری داشته است. با وجود پیچیدگی بالا و زمان آموزش طولانی، عملکرد برتر این مدل آن را به گزینه‌ای مناسب برای تشخیص اوتیسم تبدیل کرده است.

(۲) Diagnosis of Autism in Children Using Deep Learning Techniques by Analyzing Facial Features

۲.۱ روش‌شناسی

هدف این مطالعه استفاده از چارچوب مبتنی بر یادگیری انتقالی برای شناسایی ویژگی‌های چهره‌ای افراد مبتلا به اوتیسم بود تا بتوان اختلال طیف اوتیسم (ASD) را در سال‌های ابتدایی زندگی کودکان شناسایی کرد. برای این کار، از مدل‌های یادگیری عمیق پیش‌ساخته استفاده شد تا ویژگی‌هایی استخراج شوند که شناسایی آن‌ها از طریق بررسی بصری دشوار است. سپس این ویژگی‌ها از طریق لایه‌های مختلف پردازش شده و لایه نهایی برای تشخیص ASD تنظیم گردید.

۲.۲ معماری سیستم

شکل جریان کار در یک نمودار بلوکی نمایش داده می‌شود.

معماری سیستم
تصویر(۵) نمایش معماری سیستم.

۲.۲.۱ جزئیات داده‌ها

برای دستیابی به عملکرد بهینه در مدل‌های یادگیری عمیق، استفاده از یک مجموعه داده بزرگ برای آموزش در سناریوهای مختلف ضروری است. این امر به بهبود دقت مدل‌ها کمک می‌کند. مدل‌های پیشنهادی این مطالعه از مجموعه داده‌های کودکان اوتیسمی که در مخزن Kaggle موجود است، استفاده کردند. سن کودکان در این مجموعه داده بین ۲ تا ۱۴ سال بود و بیشتر آن‌ها بین ۲ تا ۸ سال سن داشتند. این مجموعه داده شامل تصاویر ۲D RGB بود و کلاس‌های اوتیسمی و کنترل طبیعی (NC) به‌طور مساوی نمایانده شدند. نسبت جنسیتی مرد به زن در مجموعه داده تقریباً ۳:۱ بود.

مجموعه داده به سه گروه تقسیم شد:

هیچ تاریخچه بالینی درباره کودکان در مجموعه داده موجود نیست.

۲.۳ افزایش داده‌ها

برای بهبود کارایی آموزش، تصاویر از تکنیک‌های افزایش داده مانند چرخش، وارونگی افقی، بزرگ‌نمایی و جابجایی ارتفاع و عرض استفاده می‌کنند. این تکنیک‌ها منجر به تولید مجموعه داده‌های افزوده برای مجموعه‌های آموزش و اعتبارسنجی شدند. همچنین، تصاویر باید به ابعاد ۲۲۷ × ۲۲۷ × ۳ تغییر اندازه می‌یافتند تا با معماری مشخص شده سازگار شوند.

۲.۴ مدل‌های یادگیری انتقالی برای استخراج ویژگی‌ها

این مطالعه از سه مدل یادگیری عمیق پیش‌ساخته که از شبکه‌های عصبی کانولوشنی (CNN) استفاده می‌کنند، استفاده کرده است: VGG16، VGG19، و EfficientNetB0. این انتخاب‌ها بر اساس عملکرد برجسته این مدل‌ها در ادبیات موجود بوده است.

۲.۴.۱ VGG16

VGG16 یکی از معماری‌های معروف شبکه‌های عصبی کانولوشنی است که برای طبقه‌بندی تصاویر شناخته شده است. این مدل شامل ۱۶ لایه است که ۱۳ لایه کانولوشنی و ۳ لایه کاملاً متصل دارد.

۲.۴.۲ VGG19

VGG19 یک مدل شبکه عصبی کانولوشنی است که از فیلترهای کانولوشنی ۳×۳ کوچک استفاده می‌کند. این شبکه دارای ۱۹ لایه وزنی است که عملکرد پیشرفته‌ای در شناسایی و طبقه‌بندی تصاویر دارد.

۲.۴.۳ EfficientNetB0

EfficientNetB0 یک مدل عصبی است که برای تعادل بین دقت و کارایی محاسباتی طراحی شده است. این مدل از مقیاس‌گذاری ترکیبی برای افزایش دقت استفاده می‌کند و به‌ویژه برای کار با منابع محدود بهینه شده است.

۲.۵ نتایج

۲.۵.۱ تغییرات معماری

مدل سفارشی با استفاده از سه مدل پیش‌آموزش‌شده (VGG16، VGG19 و EfficientNetB0) ساخته شد و بهینه‌سازی‌هایی برای سازگاری با مجموعه داده‌های اوتیسم انجام شد. این مدل شامل ۹ لایه اضافی بود که شامل لایه‌های حداکثر تجمع جهانی، لایه‌های متراکم و لایه‌های Drop-out بود.

۲.۵.۲ تنظیم هایپرپارامترها

برای ارزیابی عملکرد مدل‌ها از هایپرپارامترهای مختلف استفاده شد. دقت و مساحت زیر منحنی (AUC) مدل‌ها با استفاده از ترکیب‌های مختلف هایپرپارامترها ارزیابی شد. جدول ۱ دقت اعتبارسنجی برای بهینه‌سازها را نشان می‌دهد:

مدل Adamax دقت Adamax AUC Adam دقت Adam AUC Adagrad دقت Adagrad AUC
VGG19 50.00% 50.16% 51.44% 50.00% 87.66% 93.06%
VGG16 52.74% 54.16% 57.89% 60.29% 84.67% 90.73%
EfficientNetB0 88.33% 95.44% 87.66% 94.32% 82.66% 88.68%

۲.۵.۳ تنظیم نرخ یادگیری

برای بهینه‌سازی عملکرد، نرخ‌های یادگیری مختلف آزمایش شدند. نتایج مربوط به تأثیر نرخ‌های یادگیری بر دقت و AUC مدل‌ها در جدول ۲ آمده است:

مدل نرخ یادگیری 0.01 نرخ یادگیری 0.001 نرخ یادگیری 0.0001
VGG19 دقت: 74.00% دقت: 50.74% دقت: 84.66%
VGG16 دقت: 76.22% دقت: 52.74% دقت: 80.05%
EfficientNetB0 دقت: 87.37% دقت: 88.33% دقت: 87.9%
مقایسه دقت مدل‌ها با نرخ‌های یادگیری مختلف
تصویر(۶) نمایش مقایسه دقت مدل‌ها با نرخ‌های یادگیری مختلف.

۲.۶ نتیجه‌گیری‌ها

هدف اصلی این مطالعه شناسایی بهترین مدل انتقال یادگیری برای طبقه‌بندی اختلال طیف اوتیسم (ASD) بود. نتایج نشان داد که مدل EfficientNetB0 با بهینه‌ساز Adamax و نرخ یادگیری 0.001 بهترین عملکرد را ارائه داد. این مدل دقت ۸۸.۳۳٪ و AUC برابر با ۹۵.۴۴٪ را به‌دست آورد که به‌طور قابل توجهی از مدل‌های VGG16 و VGG19 پیشی گرفت.

تحلیل مقایسه‌ای

معیار مقاله ۱: Autism Screening in Toddlers and Adults Using Deep Learning and Fair AI Techniques مقاله ۲: Diagnosis of Autism in Children Using Deep Learning Techniques by Analyzing Facial Features
نوع داده‌ها داده‌های رفتاری شامل پاسخ‌های پرسشنامه‌ای. تصاویر چهره کودکان اوتیسمی و کنترل طبیعی (NC).
مدل‌های استفاده‌شده 13 مدل مختلف یادگیری ماشین و عمیق شامل CNN، LSTM، GRU، CNN-LSTM، و CNN-LSTM-PSO. مدل‌های انتقال یادگیری شامل VGG16، VGG19، و EfficientNetB0.
بالاترین دقت مدل‌ها مدل CNN-LSTM-PSO با دقت 99.64% برای کودکان و 98.89% برای بزرگسالان. EfficientNetB0 با دقت 88.33% و AUC برابر با 95.44%.
روش‌های ارزیابی دقت (Accuracy)، دقت مثبت (Precision)، بازخوانی (Recall)، و F1-Score. دقت (Accuracy) و مساحت زیر منحنی (AUC).
پیش‌پردازش داده‌ها نگاشت پاسخ‌های پرسشنامه به مقادیر باینری (۰ و ۱). افزایش داده‌ها از طریق تکنیک‌هایی مانند چرخش، وارونگی افقی، و تغییر اندازه تصاویر.
مزایا دقت بالا و ارزیابی جامع با استفاده از مدل‌های مختلف. تمرکز بر ویژگی‌های چهره و استفاده از یادگیری انتقالی برای بهبود تشخیص در کودکان.
معایب وابستگی به پاسخ‌های پرسشنامه‌ای که ممکن است تحت تأثیر عوامل مختلف قرار گیرد. نیاز به داده‌های تصویری با کیفیت بالا و زمان پردازش طولانی‌تر.
نتیجه‌گیری کلی برای غربالگری رفتارهای اوتیسمی در کودکان و بزرگسالان مناسب است. رویکرد مناسبی برای شناسایی زودهنگام اختلال طیف اوتیسم در کودکان از طریق تصاویر چهره ارائه می‌دهد.

تحلیل کلی

دیتاست‌های استفاده‌شده

مقاله اول: Autism Screening in Toddlers and Adults Using Deep Learning and Fair AI Techniques

مقاله دوم: Diagnosis of Autism in Children Using Deep Learning Techniques by Analyzing Facial Features

تعداد نمونه‌های هر دیتا
تصویر(۷) نمایش تعداد نمونه‌های موجود در هر داده.
تقسیم‌بندی داده‌ها
تصویر(۸) نمایش تقسیم‌بندی داده‌ها برای آموزش، آزمودن، اعتبار‌سنجی.

نتیجه‌گیری

در این گزارش، دو مقاله مورد بررسی قرار گرفت که هر یک به تحلیل داده‌های مرتبط با شناسایی اختلالات طیف اوتیسم اختصاص داشتند. دیتاست‌های مورد استفاده از منابع معتبر نظیر Kaggle استخراج شده و ویژگی‌های متنوعی را پوشش داده‌اند:

  1. مقاله اول از داده‌های مربوط به کودکان خردسال و بزرگسالان استفاده کرده است. این داده‌ها به نسبت ۲۰ درصد برای آزمایش و ۸۰ درصد برای آموزش تقسیم شده‌اند.
  2. چالش اصلی: تحلیل داده‌های متنی و عددی مرتبط با پاسخ‌گویی به پرسش‌نامه‌ها.
  3. مزیت: دسترسی آسان به داده‌ها و ساختار نسبتاً ساده.

  4. مدل موفق: بهترین عملکرد در این مقاله با استفاده از درخت تصمیم به‌دست آمد که به‌دلیل قدرت آن در دسته‌بندی داده‌ها و ارائه خروجی قابل تفسیر، برای این نوع داده‌ها مناسب بود.

  5. مقاله دوم از تصاویر چهره کودکان مبتلا به اوتیسم بهره برده است که شامل مجموعه داده‌ای بزرگ‌تر و پیچیده‌تر بود. این داده‌ها در سه بخش آموزشی، آزمایشی و اعتباری با نسبت‌های ۸۶.۳۸٪، ۱۰.۲۲٪ و ۳.۴۱٪ تقسیم شده‌اند.

  6. چالش اصلی: تحلیل داده‌های تصویری که نیازمند روش‌های پیشرفته مانند شبکه‌های عصبی عمیق است.
  7. مزیت: ارائه دیدگاه بصری دقیق‌تر برای شناسایی الگوها.
  8. مدل موفق: شبکه عصبی کانولوشن (CNN) با عملکرد بالا به‌عنوان مدل موفق انتخاب شد که با توجه به ساختار آن، توانایی بالایی در شناسایی ویژگی‌های بصری تصاویر داشت.

نتایج کلیدی

منابع

1. Priyadarshini, I. Autism Screening in Toddlers and Adults Using Deep Learning and Fair AI Techniques. *Future Internet* 2023, 15, 292. https://doi.org/10.3390/fi15090292
2. Reddy, P.; Andrew, J. Diagnosis of Autism in Children Using Deep Learning Techniques by Analyzing Facial Features. *Engineering Proceedings* 2023, 59, 198. https://doi.org/10.3390/engproc2023059198
3. Quantitative Checklist for Autism in Toddlers (Q-CHAT-10). Autism Research Centre. https://www.autismresearchcentre.com/tests/quantitative-checklist-for-autism-in-toddlers-10-items-q-chat-10/
4. Autism Spectrum Quotient (AQ-10) for Adults. Autism Research Centre. https://www.autismresearchcentre.com/tests/autism-spectrum-quotient-10-items-aq-10-adult/
5. Autism Screening for Toddlers Dataset. Kaggle. https://www.kaggle.com/datasets/fabdelja/autism-screening-for-toddlers
6. Autism Screening for Adults Dataset. Kaggle. https://www.kaggle.com/datasets/andrewmvd/autism-screeningon-adults