基于遗传算法优化的反向传播神经网络的发展性阅读障碍中国儿童预测模型（Matlab代码实现）

本文介绍了一种基于遗传算法优化的反向传播神经网络模型，用于预测中国7-13岁儿童的发展性阅读障碍。研究利用399名儿童数据，得出94%的预测准确率，强调了语音意识等认知技能在预测中的关键作用。模型有望支持早期干预和诊断策略。

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据

💥1 概述

文献来源：

摘要
长期以来，发展性阅读障碍的识别或诊断一直是一个难题，传统的逻辑回归预测模型存在一些缺陷。本研究建立了一个遗传算法优化的反向传播神经网络模型，基于399名儿童的数据（包括187名患有阅读障碍的儿童和212名正常发育的儿童，年龄为7-13岁，为三年级至六年级学生），来预测中国儿童是否患有阅读障碍。该模型实现了约94%的总体预测准确率。此外，阅读准确性是预测中国阅读障碍儿童的最强因素，而语音意识、伪字准确率、形态意识、阅读流畅性、快速数字命名以及非字反应时间也对预测起到了重要作用。总之，本研究建立的模型在预测中国儿童是否患有发展性阅读障碍方面具有出色的预测能力。此外，遗传算法优化的反向传播神经网络模型显著提高了对中国阅读障碍的预测准确性，有潜力指导更有针对性的预防和治疗策略，并为中国阅读障碍的人工智能专家诊断系统奠定基础。

发展性失读（DD）是一种缺陷，使受影响的个体在具有正常智力、充足学校教育或社会文化接触的情况下，尽管不存在视觉或听觉缺陷（Casini, Pech‐Georgel, & Ziegler, 2018），但难以获得流畅的阅读能力。失读对个体有广泛的负面影响，经历阅读失败的儿童往往伴随着行为、社会、学习和心理问题（Anthony & Lonigan, 2004）。DD影响约5%–17.5%的学龄儿童（Shaywitz, 1998）。这意味着中国有超过1000万名患有DD的儿童。因此，有必要为中国患有DD的儿童建立一个准确有效的预测模型，这将有助于尽早诊断和治疗中国的失读儿童。

DD是一种特殊的学习障碍，伴随着多种与阅读相关的认知缺陷。为了探索阅读相关认知技能是否能有效区分失读儿童和正常发展的儿童，研究人员构建了不同的分类和预测模型。这些模型大多基于逻辑回归，显示出诸如字母知识、语音意识、形态意识、快速数字命名和正字意识等阅读相关认知技能可以作为DD的有效预测因子（例如，Alonzo等，2020年；Carroll等，2016年；Dong等，2012年；Le Jan等，2011年；Li等，2009年；Shu等，2006年；Song等，2020年；Thompson等，2015年）。在这些技能中，语音意识被发现是字母语言中失读的最强预测因子（例如，Le Jan等，2011年），而一些研究发现形态意识是汉语中失读的最强预测因子（例如，Dong等，2012年；Shu等，2006年）。然而，失读是许多因素相互作用的结果（Morris等，1998年），这些因素之间复杂的关系很难用简单的数学模式准确表示（例如传统的逻辑回归）。因此，有必要使用更有效的方法建立DD的预测模型。

人工神经网络（ANN）作为人工智能领域的计算模型，是一个自适应系统，由无序的神经元节点组成，处理依赖于大量神经连接的内部关系的信息（Lyu & Zhang, 2019）。ANN可以通过模拟人脑的神经网络来处理信息，然后通过学习获得信息的相互关系（Topuz, 2010）。反向传播神经网络（BPNN）是一种具有高非线性、自学习、自适应性、自组织性和良好容错性等许多优点的ANN类型（Lyu & Zhang, 2019）。根据不完全的统计数据，大约80%到90%的神经网络模型使用BPNN或BPNN的变体（Yan, Xu, Yu, Xu, & Gao, 2019）。BPNN模型（见图1）是基于误差反向传播算法的多层前馈网络模型，可以无限逼近任何复杂的非线性函数，目前是最准确的神经网络模型之一（Steiner等，2005年；Wang等，2015年）。最近发表在《自然评论神经科学》的一项研究表明，大脑可以通过使用反向传播的错误信号计算有效的突触更新，随后诱导神经元活动，并驱动大脑中深度网络的有效学习（Lillicrap, Santoro, Marris, Akerman, & Hinton, 2020）。因此，作为人脑工作机制的模拟，BPNN不仅可以处理模糊映射关系，还可以识别变量之间的复杂非线性关系（Lyu & Zhang, 2019）。先前的研究还报告称，BPNN模型在医学预测中优于逻辑回归模型（Chiu等，2013年；Liang等，2019年），并且基于BPNN的模型可以通过提供准确的预测来帮助临床诊断（Desai, Giraddi, Narayankar, Pudakalakatti, & Sulegaon, 2019年）。

📚2 运行结果

部分代码：

load('parameters of basic BPNN.mat');
net=newff(input_train,output_train,[12],{'tansig','logsig'},'trainlm'); %创建网络

net.trainParam.show = 1; %每隔2步显示一次迭代过程

net.trainParam.epochs = 1000; %设置最大训练次数

net.trainParam.goal=0.00001; %设置收敛误差

net.trainParam.lr = 0.05;

net.IW{1,1}=W1;
net.LW{2,1}=W2;
net.b{1}=B1;
net.b{2}=B2; %%%%%%%%%%% or load('41 Network(basic BPNN).mat')

result_test_BPNN=sim(net,input_test_01);

%%%%%%%%%%%%%% 计算预测评估指标 %%%%%%%%%%%%%%%%%%

fact_1=sum(output_test); % 实际阳性

a=size(output_test);
fact_0=a(2)-fact_1; % 实际阴性

forecast_0=0; % 预测阴性
forecast_1=0; % 预测阳性
forecast_0_fact_0=0; % 预测阴性，实际阴性
forecast_0_fact_1=0; % 预测阴性，实际阳性
forecast_1_fact_0=0; % 预测阳性，实际阴性
forecast_1_fact_1=0; % 预测阳性，实际阳性