文摘

儿童多动症是一种最常见的神经发育障碍。表现为注意力不集中、多动、冲动和不一致的其他症状发展水平在不同的场合,伴有功能障碍在社交、学术和职业方面。目前,治疗儿童多动症的主要是基于心理护理干预与药物治疗相结合。因此,这种治疗方案的实际效果的评估是非常重要的。神经网络广泛应用于智能医疗护理。这项工作将人工智能与ADHD儿童的评估的临床治疗效果和设计一个基于神经网络的智能模型评估心理护理干预的临床疗效与药物治疗相结合的儿童多动症。的主要研究的是,儿童多动症的临床治疗效果的评价,提出了一种一维并行多通道网络(1 dpmn),这是一个卷积神经网络。结果表明,通过不同的渠道网络模型可以提取不同的数据特性,可以实现高精度对儿童多动症的临床疗效的评价。提高性能模型的基础上,通过研究亚当优化器加速模型收敛,采用批处理规范化算法来提高稳定性,并使用辍学来提高网络的泛化能力。针对问题的参数太多,1 dpmn通过当地稀疏的原则,优化和模型参数大大减少。

1。介绍

儿童多动症,或轻微脑功能障碍综合征,是一种相对常见的儿童行为障碍综合征。这些孩子有正常或接近于正常的智力,多动、注意力不集中,情绪不稳,冲动任性,和不同程度的学习困难。多动症可分为三种类型,即,漫不经心,活跃,冲动1- - - - - -4]。

儿童多动症的主要危害主要表现在个人成长和家庭生活。在孩子的个人成长方面,因为孩子不能集中精力学习,不能主动学习,他们的学习成绩下降。他们无法自控的行为,显示不服从和被歧视。随着年龄的增长,因为我们无法控制自己,容易受到不良影响和诱惑,我们会战斗,谎言,和窃取,甚至犯罪。儿童的家庭生活,由于儿童多动症,自我控制能力差,他们的学习成绩差,而且会有疲倦和逃学等现象。因此,他们经常受到老师的批评,使父母感到羞愧和急躁,所以他们经常用殴打和棍棒教育他们的孩子,严格管教孩子学业和添加更多的孩子们学习任务;然而,效果与一半的努力结果的两倍,使孩子更加叛逆和采用对抗性和仇恨态度父母的要求,影响家庭和谐。因此,它是非常重要的实现早期识别和早期干预,以缓解患者的症状,减少他们的社会损害(5- - - - - -8]。

儿童多动症是psychobehavioral疾病引起的遗传因素和环境因素的多个生理、心理和环境因素。(1)生理因素:儿童患有注意缺陷多动障碍有一定的家族遗传,和各种国内外研究结果也证明了这一点。此外,怀孕期间母亲的沉重的吸烟和饮酒或遇到其他风险,导致胎儿脑损伤也是一个儿童注意缺陷多动障碍的高危因素。研究发现,当孩子们缺乏微量元素如锌和铁和一些重要的氨基酸在体内的新陈代谢的平衡,孩子会增加患有注意缺陷多动障碍的概率。(2)心理因素:儿童多动症更敏感,没有安全感,经常使用积极的和健谈的方法来掩饰自己内心的恐惧和不安。如果父母和老师不能理解他们的错误,他们对待他们残酷的殴打和侮辱。这可能导致多动症加剧,甚至在成年后可能导致反社会情绪和行为,增加犯罪率。(3)环境因素:与ADHD儿童的家庭环境,一个病例对照研究表明,结果表明,父母的受教育水平低和贫穷的家庭纷争和亲密ADHD儿童的不良行为是重要的原因(9- - - - - -12]。

由于不同研究方向的国内外儿童多动症,干预方法也不同。儿童多动症的人明显的注意力缺陷和活跃的行为,一个共同的和更有效的心理护理干预方法是结合药物治疗(13- - - - - -16]。因此,如何评价这种治疗的临床疗效是非常重要的。随着计算机技术的发展,人工智能领域的广泛应用智能医疗。本文旨在设计一个有效的临床疗效评价的神经网络基于人工智能的这种治疗。

本研究的主要贡献如下:(1)我们提出了一个模型基于1 dpmn疗效评价。我们CNN用于从原始统计数据而不是手动自动特征提取特征提取精度高。(2)我们优化1 dpmn挑选亚当,从而减少训练时间优化和使用批处理标准化网络模型的稳定性。

剩下的纸是组织如下。部分2介绍了相关的工作。方法应用讨论了部分3。节4、实验细节提到。最后,部分5地址本研究的结论。

2。相关工作

多动症是儿童最常见的psychobehavioral障碍之一。文献[17)提出,据估计,全世界儿童多动症的发病率已上升到10%。文献[18)进行了系统分析儿童多动症的发病率在美国在2003年,2007年和2011年,发现男孩的患病率为11.0%,13.2%,和15.1%,分别和女孩的患病率是4.4%,5.6%,6.7%。文献[19]提出,由于有限的ADHD和意识的存在,许多未确诊的情况下,多动症的发病率是低估了,实际的患病率可能远远超过这个数字。文献[20.)提出,多动症儿童的影响反映在学术成就,人际沟通和其他方面。文献[21ADHD)提出,不仅影响孩子,但还包括并发症的影响和障碍。约66%的ADHD儿童至少有一个疾病,主要包括对立违抗、品行障碍、抑郁和焦虑,抽搐障碍,学习或交流障碍,睡眠问题和障碍、物质滥用。这些问题和障碍也会对儿童造成严重后果他们自己和他们的家庭。文献[22)认为,80%的人患有ADHD的儿童将继续在青春期和30岁之间。这些症状和损伤到青春期,甚至延续到成年,和发展反社会人格甚至犯罪的风险是正常孩子的5到10倍。文献[23)认为,多动症是一种疾病引起的遗传和环境因素的结合。基因研究已经证实,多动症是一种高度遗传多基因遗传疾病。相关基因包括多巴胺代谢的基因,血清素代谢基因,儿茶酚胺氧methyl-transferase基因,和去甲肾上腺素转运蛋白基因。文献[24)认为,尽管环境因素没有被证实患有ADHD的因果关系,它是确定环境因素中扮演重要角色的感应和加重多动症和ADHD患儿的预后。文献[25)指出,多动症的风险的后代的母亲在怀孕期间吸烟增加了2.64倍,和多动症的风险的后代母亲在孕期饮酒增加了1.55倍。

在[26),CNN模型LeNet-5五结构提出了,这是最初主要用于手写数字的识别。基于LeNet-5模型,大量的卷积神经网络模型与不同结构也被提出。文献[27)提出了一个AlexNet模型与基于LeNet-5培育出结构,首次提高了性能模型的利用一个线性整流功能和地方反应正常化运作在训练。因此,AlexNet赢得了ImageNet挑战得分10.9%,超过第二名,引发一波又一波的深度学习。文献[28)提出了VGGNet系列模型。与AlexNet相比,它使用一个7×7卷积内核,VGGNet减少模型参数通过一个3×3小卷积内核在设计过程中,提高了模型的非线性表达能力通过叠加小型卷积核。为了应对问题,CNN的拟合能力随层数的增加,ResNet提出了(29日]。网络解决问题的梯度和梯度爆炸消失在深神经网络的学习过程通过剩余的学习。文献[30.)提出了DenseNet模型,它不同于剩余ResNet模型的学习方法。这个模型可以避免的风险梯度和梯度爆炸消失在训练过程中通过增强功能层之间的传输网络。CNN的连续优化结构和模式识别领域取得重大突破,CNN已经逐步引入医学领域近年来学者。

3所示。方法

3.1。1 d并行多通道网络

这项工作提出了一种评估网络1 dpmn评估心理护理干预的临床疗效与药物治疗相结合对儿童多动症。网络结构如图1。网络模型的输入数据是原始的疗效指数特性。模型包含三个平行通道,每个通道使用的尺度卷积的内核是不同的。的本地信息特征提取不同尺度的输入数据是通过不同大小不同频道的卷积核,和这些信息功能互补性强,互为补充。不同尺度的串联网络结构使用卷积核不捕捉互补信息特征。因此,并行多通道卷积核的使用可以深入我的本地信息相关原始数据的内部空间,减少特征之间的语义鸿沟。

网络模型包含三个并行的通道,每一个都由三个基本单元模块连接。每个基本单元模块包括一个卷积一层一层和一个池,和特征信息融合在融合层根据每个通道的特征信息提取。融合信息功能是输入完全连接层,最后通过将Softmax层分类结果输出。1 dpmn模型的具体参数设置如表所示1。

模型包含三个平行通道、Conv1 Conv2, Conv3,原始数据的大小和形状是扩大到1024×1。在第一频道,第一次卷积层的卷积核的数量是64,卷积核的长度和宽度设置为64×1,深度是1,和移动步长是16×1。输出数据的大小后卷积的第一层是64×64。输入数据卷积池层的第一层后,过滤器在池层的数量是64,滤波器长度和宽度的大小是3×1,深度是1,移动步长为2×1,输出大小是32×64。

同样,卷积和池第二通道和第三通道的过程是一样的第一通道。它可以得出的结论是,第二个和第三个通道的输出数据的大小是32×64和32×64,分别。这三个通道的输出结果是通过融合层,和三个通道的特性拼接得到的最终功能大小32×192。然后运送到最终功能平层,而趋于平缓特征长度为6144。两层完全连接后输出长度是512,和最终的输出长度是通过将Softmax 10层。上面的是初始数据的具体操作过程在整个1 dpmn模型。

3.2。Underfitting和过度拟合

underfitting现象通常是当模型在培训学习能力差。由于模型的学习能力不足,很难提取数据的一般特征。性能是训练集的网络模型的准确性较低,验证集和测试集的准确性接近训练集,并输出结果有很高的偏差特征,所以模型的泛化是弱。underfitting的原因可能是由于很多因素,通常由模型的结构简单,少量的数据,模型训练的少量时间,批量大小的大小,少量的数据样本的特性。

过度拟合现象通常是由模型的学习能力过于强大。此时,模型的一般法律学习太浓。当训练模型,一个训练样本可以被捕获的特点,和模型将意识到这是一个一般规则。这将导致模型的泛化能力的恶化,主要表现在高方差的输出结果。过度拟合的原因也是由各种因素引起的,通常由于复杂网络模型结构和参数太多,太多的模型训练轮,过小的训练数据集,和其他因素。解决方案通常是降低模型的复杂度,提高了训练集数据,数据增加,辍学技术,和批处理正则化,和减少模型训练的数量等。

3.3。亚当优化器

深度学习模型训练过程中,内部模型的重量和偏见不断迭代更新,这是模型的最终性能的关键。因此,当训练PMCNN模型,它本质上是迭代更新其重量和偏见。优化器在这个过程中起着举足轻重的作用,优化器的主要作用是在深度学习梯度反向传播的过程。它指导损失函数的每个参数更新适当的大小优化的方向,以便更新参数可使损失函数值不断趋向于全局最小值。因此,选择一个合适的优化器不仅可以加快模型收敛速度和减少训练轮的数量和时间,而且还提高最终模型的性能。

本节比较了常用的随机梯度下降法(SGD)算法与自适应(亚当)算法。SGD梯度算法有较低的要求,更快的培训模式在大型数据集。SGD的计算公式

在模型训练的过程中,学习速度也是一个关键因素影响模型的最终性能。学习速率通常是之前设置训练模型并不能在模型训练过程中动态调整。亚当算法调整学习速率的自适应行每个参数通过计算第一和第二时刻的估计梯度。适用于情况和网络模型参数的数据量大,模型参数的更新并不是影响比例的变化梯度,制作模型训练更有效。亚当的计算公式

3.4。BN层

批正常化(BN)是解决内部问题的协变量转变,这主要发生在深层神经网络训练过程。因为有很多层深网络模型,通常在上一层的参数迭代更新,后者的输入数据分布层的变化。因此,后者层也需要不断调整的迭代过程来消除这种效果,使网络训练更加困难。

BN的操作实现预处理的神经网络层;也就是说,前一层的输出归一化,然后作为输入下一层的网络。这可以有效地防止梯度消失,加快网络训练。BN算法通常执行批量标准化的特性没有ReLU激活反应。因此,BN层放置在每一个卷积网络层,和处理的输出作为输入激励层实现的效果调整激发函数的偏导数。BN的计算如下: 在哪里代表minibatch的大小,是映射中的值特性,是一个常数,然后呢和有两个可学的变量。BN层可实现每一层的分布特性,通过计算均值和方差minibatch中的数据。此外,网络训练的小批量样品,所以网络不会从一个给定的训练样本生成某个值,这有利于提高网络的泛化能力。考虑到标准化操作将削弱网络表达特性的能力,两个可学的缩放参数和偏移量参数给出了允许网络自适应调整网络层的分布特征。

3.5。辍学

在深学习模型训练,如果训练集的样本数量太小,模型有很多参数,网络容易过度拟合。它主要表现在训练集的准确性高,而测试集的准确性很低;也就是说,模型的泛化能力是不够的。针对上述问题,本工作采用辍学的策略来解决这个问题。辍学是一种计算简单而有效的方法,可以有效地调整神经网络模型和适用于许多神经网络训练和测试。辍学的方法没有太多限制模型或训练过程的类型和适用于几乎所有的模型。

辍学的想法方法是放弃或抛弃nonoutput单位概率在最初的网络。这种方法可以在输入层和隐层,和一般概率值范围从0到0.5。模型训练过程中,辍学的机制使神经元的子网更好地传递信息和获得更多梯度变化值,所以它可以了解更多特性的数据集。在培训过程中,完整的神经网络生成一系列的子网通过辍学,和这些子网模型参数。在测试过程中或泛化,完成最终的模型。没有删除和丢弃nonoutput单位,培训期间子网权重分享到最终的模型,最后模型可以视为这些子网的集成。因此,辍学的方法是正式的合奏与隐藏单元共享模型。

3.6。当地稀疏结构

1 dpmn模型结构提出了在前面的小节中,卷积核的大小相同的卷积层在每个频道都是一样的,但是每个卷积核的参数是不同的。在原始数据的特征提取,利用卷积核大小不同的神经网络设计的一个新的方向。根据Hebbian理论,将具有相似功能的神经元会聚集在一起。使用这个理论,卷积核的卷积层可以被设计为一个稀疏的结构,所以卷积内核和更大的规模可以分解成多个较小的卷积核的大小。就是小一号的卷积核取代了卷积内核与更大的卷积核,并且每个小卷积内核负责提取一个特定的功能。使用这种方法可以大大减少冗余参数的卷积层和进一步降低整个网络的总体参数数量模型。图2显示了一个示意图两种局部稀疏。

当卷积内核大小3×1,两个不同的地方稀疏机制保障的改善机制功能映射size-invariant结构和dimension-changing结构。当地稀疏机制的核心思想是用一个小卷积内核而不是一个更大的卷积核,控制通过改变前后的特征图的大小。其他的主要目的是实现通过改变尺寸大小之前和之后的输出。增加1×1卷积主要是改变特征的维数。这里的维度主要是指数量的渠道的特性,而不是长度或宽度的特性。此外,网络的非线性励磁是增加,提高了模型的性能。

自卷积核的大小可能不同,在本章中,我们主要是优化和改善3×1,5×1和7×1卷积内核层用于PMDCNN模型的三个频道。改进1 dpmn结构如图3。

4所示。实验的细节

4.1。数据集

这项工作使用一个自产数据集来评估儿童多动症的临床疗效。每个数据样本10多动症的输入特性评价指标,和具体的指标信息如表所示2。应该注意的是,这10个特征指标收集后心理护理干预与药物治疗相结合。为每个数据样本的输出是10功效评价水平。

这个数据集包含了1227 2903个训练样本和测试样本。精度评价指标、召回和F1的分数在这个工作。

4.2。评估培训进展

在卷积神经网络和任何类型的神经网络,网络的收敛性是一个重要的指标。网络只能用于测试任务能有效地训练集。因此,这项工作首先评估网络的收敛,和网络的训练误差和训练精度图所示4。

从图可以看出,随着网络的进步培训,培训损失逐渐增加,训练精度逐渐减少。当迭代次数超过60岁,网络不减少的损失,和精度不会增加,这表明网络聚合。实验结果可以保证网络的可靠性和鲁棒性。

4.3。评估网络优化器

正如前面提到的,本工作采用亚当优化器来优化网络的训练过程。验证这一策略的有效性,这个工作比较使用SGD时使用亚当时网络性能优化和优化器。实验结果见图5。

显然,网络使用亚当优化器时获得最佳性能。性能在使用SGD优化器相比,它可以得到1.6%的精度改善,1.4%的召回改进,和1.2%的F1分数提高。这可以证明的有效性和可行性工作使用亚当优化器优化网络培训过程。

4.4。评估BN层

正如前面提到的,这个工作使用BN层约束值的分布特性,从而提高网络收敛速度和精度。验证这一策略的有效性,这项工作对网络性能进行比较时使用BN层和不使用它。实验结果见图6。

显然,网络使用BN层时获得最佳性能。不使用时的性能比BN层,它可以得到1.0%的精度改善,0.8%的召回改进,和1.1%的F1分数提高。这可以证明的有效性和可行性工作使用BN层来优化网络培训过程。

4.5。评估辍学

正如前面提到的,本工作采用辍学策略禁用某些神经元缓解过度拟合,从而提高网络收敛速度和精度。验证这一策略的有效性,这个工作比较使用辍学时网络性能的策略,当不使用辍学的策略。实验结果见图7。

显然,网络得到了最佳性能在使用辍学的策略。性能相比不使用辍学策略时,它可以得到0.8%的精度改善,0.7%的召回改进,和1.2%的F1分数提高。这可以证明这项工作使用辍学的有效性和可行性策略来优化网络训练过程。

4.6。评估当地稀疏

正如前面提到的,这个工作使用当地稀疏(LS)降低网络复杂性,从而提高网络收敛速度和减少训练时间。验证这一策略的有效性,这个工作比较了网络训练时间和网络参数时使用当地稀疏和不使用当地稀疏。实验结果见表3。

显然,当使用当地稀疏的策略时,网络的参数和训练时间大大优化。这验证了这一策略的正确性和有效性。

4.7。技术的比较

众多技术提出了在文献中,我们分析了他们与我们的技术,比较如表所示4。

5。结论

这项工作主要集中在心理护理干预的临床疗效与药物治疗相结合对儿童多动症为研究对象。针对传统功效评价方法的问题依靠专家的诊断经验,低精度和低效率,多动症儿童的临床疗效评价模型提出了基于深度学习理论。通过自动特征提取能力强和功能网络模型的学习能力强,可以实现高效的疗效评价。本文的主要研究工作和结果如下。(1)设计一个基于1 dpmn功效评价模型。方法使用CNN自动从原始统计数据中提取特征,而不是手工特征提取和特征的工程,可以达到疗效评价精度高。(2)1 dpmn模型进行了优化。亚当优化器选择加速模型收敛和减少训练时期和培训时间。批处理规范化算法用于提高网络模型的稳定性,加速网络的学习速度。辍学的使用技术提高网络模型的泛化能力和防止过度拟合。 Aiming at the problem of too many parameters of the network model, the internal network structure is optimized by using the principle of local sparseness, which greatly reduces the amount of network parameters. Comprehensive and systematic experiments verify the validity and correctness of this work.

数据可用性

在当前的研究中使用的数据集是可从相应的作者以合理的要求。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由四川市科委的科技创新行动计划》(175111300)。