Item request has been placed! ×
Item request cannot be made. ×
loading  Processing Request

Machine Learning-Based Models for Early Stage Detection of Autism Spectrum Disorders ... : النماذج القائمة على التعلم الآلي للكشف المبكر عن اضطرابات طيف التوحد ...

Item request has been placed! ×
Item request cannot be made. ×
loading   Processing Request
  • معلومة اضافية
    • بيانات النشر:
      OpenAlex
    • الموضوع:
      2019
    • Collection:
      DataCite Metadata Store (German National Library of Science and Technology)
    • نبذة مختصرة :
      Autism Spectrum Disorder (ASD) is a group of neurodevelopmental disabilities that are not curable but may be ameliorated by early interventions. We gathered early-detected ASD datasets relating to toddlers, children, adolescents and adults, and applied several feature transformation methods, including log, Z-score and sine functions to these datasets. Various classification techniques were then implemented with these transformed ASD datasets and assessed for their performance. We found SVM showed the best performance for the toddler dataset, while Adaboost gave the best results for the children dataset, Glmboost for the adolescent and Adaboost for the adult datasets. The feature transformations resulting in the best classifications was sine function for toddler and Z-score for children and adolescent datasets. After these analyses, several feature selection techniques were used with these Z-score-transformed datasets to identify the significant ASD risk factors for the toddler, child, adolescent and adult ... : اضطراب طيف التوحد (ASD) هو مجموعة من إعاقات النمو العصبي التي لا يمكن علاجها ولكن يمكن تحسينها عن طريق التدخلات المبكرة. جمعنا مجموعات بيانات ASD المكتشفة مبكرًا المتعلقة بالأطفال الصغار والأطفال والمراهقين والبالغين، وطبقنا العديد من طرق تحويل الميزات، بما في ذلك وظائف log و Z - score و sine على مجموعات البيانات هذه. ثم تم تنفيذ تقنيات تصنيف مختلفة مع مجموعات بيانات اضطراب طيف التوحد المحولة هذه وتقييم أدائها. وجدنا أن SVM أظهر أفضل أداء لمجموعة بيانات الأطفال الصغار، بينما أعطى Adaboost أفضل النتائج لمجموعة بيانات الأطفال، و Glmboost للمراهقين و Adaboost لمجموعات بيانات البالغين. كانت التحولات المميزة التي أدت إلى أفضل التصنيفات هي الدالة الجيبية لمجموعات بيانات الأطفال الصغار و Z - score للأطفال والمراهقين. بعد هذه التحليلات، تم استخدام العديد من تقنيات اختيار الميزات مع مجموعات البيانات التي تم تحويلها بدرجة Z لتحديد عوامل الخطر المهمة لاضطراب طيف التوحد لدى الأطفال الصغار والأطفال والمراهقين والبالغين. تشير نتائج هذه الأساليب التحليلية إلى أنه عند تحسينها بشكل مناسب، يمكن أن توفر أساليب التعلم الآلي ...
    • Relation:
      https://dx.doi.org/10.60692/b0scb-t9j30
    • الرقم المعرف:
      10.60692/vbz81-wee88
    • Rights:
      cc-by
    • الرقم المعرف:
      edsbas.ACEDCB85