Avaliação de RNAs Durante Treinamento Supervisionado Para Classificação de Adolescentes com Autismo

• Rhyan de Brito IFCE
• Carlos Alexandre Fernandes UFC
• Janaide de Sousa Ximenes FIED

DOI: https://doi.org/10.5753/ercemapi.2020.11468

Resumo

Diversas técnicas de Inteligência Artificial tem sido amplamente utilizadas na solução de diversos problemas na área de saúde. Neste trabalho foi realizado um estudo através da implementação e análise das redes neurais ELM (Extreme Learning Machine) e MLP (Multilayer Perceptron), comparando as acurácias resultantes de treinamentos com dados de adolescentes com ou sem o TEA (Transtorno do Especto Autista). A metodologia foi baseada em um banco de dados público de 99 amostras e na técnica de validação cruzada k-fold com e sem normalização zscore. Com relação aos resultados a rede MLP sem zscore obteve a melhor média atingindo 89,70% de acertos, contudo a rede ELM sem zscore teve a pior media de acertos com 86,52%.

Referências

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.