Hybrid Deep Learning Framework for Autism Detection in Children Using Facial Emotion Recognition
Notice bibliographique
Résumé
Health care providers determine diagnosing autism to be a difficult undertaking because it mostly relies on anomalies in brain activities that could not be evident in the initial stages of a young development autism condition.An alternate and effective method to facilitate the earlier identification of autism involves facial emotion.This is because autistic children typically exhibit unique patterns that make it easier to differentiate from typical kids.some of many significant developments in enhancing the state lifestyle for those having autism is technological assistance.This study proposes a hybrid deep learning approach to detect the autism in children using deep facial features and emotional expressions.The proposed model combines the feature extraction from pre-trained CNN models like EfficientNetB0, ResNet50, and MobileNetV3Small and then classify autism and non-autism using a softvoting ensemble model.The dataset is divided into 80% training and 20% testing.The MobileNetV2 model is used as emotion recognition that integrated on DeepFace model to enhance behavioral interpretation.The proposed model is trained and validated on two datasets: one containing images of autistic and non-autistic children, and another containing six types of emotions.The baseline classifier such as LR obtained the accuracy score of 77.57%, XGBoost of 81.00%, RF of 78.36%, SVM of 79.95%, MLP of 79.68.The proposed model obtained the accuracy score of 84.00% and a ROC-AUC score of 92.29% outperforming as compared to baseline models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».