Avaliação de RNAs Durante Treinamento Supervisionado Para Classificação de Adolescentes com Autismo
Abstract
Several techniques of Artificial Intelligence have been widely used in the solution of several problems in the health area. In this perspective, in this work, a study was carried out through the implementation and analysis of the neural networks ELM (Extreme Learning Machine) and MLP (Multilayer Perceptron), comparing the accuracy resulting from training with data from adolescents with or without ASD (Autistic Spectrum Disorder). The methodology was based on a public database of 99 samples and the k-fold cross-validation technique with and without zscore normalization. Regarding the results, the MLP network without zscore had the best average reaching 89.70% of correct answers, however the ELM network without zscore had the worst average of correct answers with 86.52%.
References
Bonifácio, F. N. (2010). Comparação entre as redes neurais artificiais MLP, RBF e LVQ na classificação de dados. Paraná: Universidade Estadual do Oeste do Paraná.
da Silva, R. O., dos Santos, E. B., de Souza, E. M., and Nunes, W. B. (2018). Autismo: Interfaces da ti quebrando paradigmas. TECNOLOGIAS EM PROJEÇÃO, 9(1):01–08.
de Brito, R. X., Fernandes, C. R., and Amora, M. A. B. (2019). Análise de desempenho com redes neurais artificiais, arquiteturas MLP e RBF para um problema de classificação de crianças com autismo. iSys - Revista Brasileira de Sistemas de Informação, 12(1).
de Moura, P. J., Sato, F., and Mercadante, M. T. (2018). Bases neurobiológicas do autismo: enfoque no domínio da sociabilidade. Cadernos de Pós-Graduação em Distúrbios do Desenvolvimento, 5(1).
Fernandes, C. S., Fichman, H. C., and de Souza Barros, P. (2018). Evidências de diagnóstico diferencial entre transtorno do espectro autista (TEA) e transtorno do desenvolvimento intelectual (TDI): análise de casos. Neuropsicologia Latinoamericana, 10(2).
Ferreira, A., Ferreira, R. P., da Silva, A. M., Ferreira, A., and Sassi, R. J. (2016). Um estudo sobre previs˜ão da demanda de encomendas utilizando uma rede neural artificial. Blucher Marine Engineering Proceedings, 2(1):353–364.
Freire Monteiro, A., de Almeida Pimenta, R., Pereira, S. M., and Roesler, H. (2018). Considerações sobre critérios diagnósticos de transtorno do espectro autista, e suas implicações no campo científico. DO CORPO: ciências e artes, 7(1).
Linstead, E., German, R., Dixon, D., Granpeesheh, D., Novack, M., and Powell, A. (2015). An application of neural networks to predicting mastery of learning outcomes in the treatment of autism spectrum disorder. In 2015 IEEE 14th International Conference on Machine Learning and Applications (ICMLA), pages 414–418.
Neto, A. B., Bonini, C. d. S. B., Bisi, B. S., dos Reis, A. R., and Coletta, L. F. S. (2017). Rede neural artificial para classificação e análise de solos degradados. IEEE Latin America Transactions, 15(3):503–509.
Silvestre, L. J. (2014). Regularização de extreme learning machines: uma abordagem com matrizes de afinidade.
Souza, L. L. d. (2016). Análise da press˜ão plantar da marcha de autistas por dinâmica simbólica otimizada por algoritmo genético.
Thabtah, F. (2017). Autism spectrum disorder screening: machine learning adaptation and DSM-5 fulfillment. In Proceedings of the 1st International Conference on Medical and health Informatics 2017, pages 1–6.
Thabtah, F. (2019). Machine learning in autistic spectrum disorder behavioral research: A review and ways forward. Informatics for Health and Social Care, 44(3):278–297.
Thabtah, F., Kamalov, F., and Rajab, K. (2018). A new computational intelligence approach to detect autistic features for autism screening. International journal of medical informatics, 117:112–124.
Zanon, R. B., Backes, B., and Bosa, C. A. (2014). Identificação dos primeiros sintomas do autismo pelos pais. Psicologia: Teoria e Pesquisa, 30(1):25–33.
da Silva, R. O., dos Santos, E. B., de Souza, E. M., and Nunes, W. B. (2018). Autismo: Interfaces da ti quebrando paradigmas. TECNOLOGIAS EM PROJEÇÃO, 9(1):01–08.
de Brito, R. X., Fernandes, C. R., and Amora, M. A. B. (2019). Análise de desempenho com redes neurais artificiais, arquiteturas MLP e RBF para um problema de classificação de crianças com autismo. iSys - Revista Brasileira de Sistemas de Informação, 12(1).
de Moura, P. J., Sato, F., and Mercadante, M. T. (2018). Bases neurobiológicas do autismo: enfoque no domínio da sociabilidade. Cadernos de Pós-Graduação em Distúrbios do Desenvolvimento, 5(1).
Fernandes, C. S., Fichman, H. C., and de Souza Barros, P. (2018). Evidências de diagnóstico diferencial entre transtorno do espectro autista (TEA) e transtorno do desenvolvimento intelectual (TDI): análise de casos. Neuropsicologia Latinoamericana, 10(2).
Ferreira, A., Ferreira, R. P., da Silva, A. M., Ferreira, A., and Sassi, R. J. (2016). Um estudo sobre previs˜ão da demanda de encomendas utilizando uma rede neural artificial. Blucher Marine Engineering Proceedings, 2(1):353–364.
Freire Monteiro, A., de Almeida Pimenta, R., Pereira, S. M., and Roesler, H. (2018). Considerações sobre critérios diagnósticos de transtorno do espectro autista, e suas implicações no campo científico. DO CORPO: ciências e artes, 7(1).
Linstead, E., German, R., Dixon, D., Granpeesheh, D., Novack, M., and Powell, A. (2015). An application of neural networks to predicting mastery of learning outcomes in the treatment of autism spectrum disorder. In 2015 IEEE 14th International Conference on Machine Learning and Applications (ICMLA), pages 414–418.
Neto, A. B., Bonini, C. d. S. B., Bisi, B. S., dos Reis, A. R., and Coletta, L. F. S. (2017). Rede neural artificial para classificação e análise de solos degradados. IEEE Latin America Transactions, 15(3):503–509.
Silvestre, L. J. (2014). Regularização de extreme learning machines: uma abordagem com matrizes de afinidade.
Souza, L. L. d. (2016). Análise da press˜ão plantar da marcha de autistas por dinâmica simbólica otimizada por algoritmo genético.
Thabtah, F. (2017). Autism spectrum disorder screening: machine learning adaptation and DSM-5 fulfillment. In Proceedings of the 1st International Conference on Medical and health Informatics 2017, pages 1–6.
Thabtah, F. (2019). Machine learning in autistic spectrum disorder behavioral research: A review and ways forward. Informatics for Health and Social Care, 44(3):278–297.
Thabtah, F., Kamalov, F., and Rajab, K. (2018). A new computational intelligence approach to detect autistic features for autism screening. International journal of medical informatics, 117:112–124.
Zanon, R. B., Backes, B., and Bosa, C. A. (2014). Identificação dos primeiros sintomas do autismo pelos pais. Psicologia: Teoria e Pesquisa, 30(1):25–33.
Published
2020-09-10
How to Cite
DE BRITO, Rhyan; FERNANDES, Carlos Alexandre; DE SOUSA XIMENES, Janaide.
Avaliação de RNAs Durante Treinamento Supervisionado Para Classificação de Adolescentes com Autismo. In: REGIONAL SCHOOL ON COMPUTING OF CEARÁ, MARANHÃO, AND PIAUÍ (ERCEMAPI), 8. , 2020, Evento Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 53-60.
DOI: https://doi.org/10.5753/ercemapi.2020.11468.
