《Brain and Behavior》：Predicting Autism Spectrum Disorder in Children Using Glowworm Optimization With Extreme Learning Machine Networks
编辑推荐：
本研究创新性地融合了萤火虫优化算法（GSO）与极限学习机网络（ELMN），构建了GO-ELMN模型，用于提升儿童孤独症谱系障碍（ASD）的早期筛查效率。该模型通过优化特征选择和网络超参数，有效应对了临床数据有限、类别不平衡等挑战，实验证明其具有高精度、高收敛速度的优势，为儿科医疗领域提供了一个可解释、快速且可靠的ASD检测解决方案。
引言
孤独症谱系障碍（Autism Spectrum Disorder, ASD）是一种伴随个体终生的神经发育状况，影响其感知世界、处理信息和人际交往的能力。对于幼儿而言，早期预测和干预至关重要，能够显著改善其在行为、认知和社会发展方面的预后。然而，传统的ASD诊断过程通常耗时、主观且高度依赖临床医生的专业判断，这在医疗资源匮乏的地区尤为受限。因此，开发客观、可扩展且快速的ASD自动检测系统，成为当前研究的重点。
背景研究分析
已有的研究广泛采用机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）技术来辅助ASD筛查，数据源涵盖神经影像学（如fMRI、MRI、EEG）、行为问卷和人口统计学信息。尽管许多模型报告了超过90%的准确率，但它们普遍面临一些挑战：例如，基于神经影像学的方法（如fMRI、EEG）依赖昂贵的专业设备，限制了大规模临床应用；传统ML算法（如SVM、Random Forest）在不同年龄段的表现不一致；而复杂的深度学习模型（如CNN、DNN）则可能因数据有限而存在过拟合风险，或面临可解释性不足的问题。因此，当前研究领域亟需一种既能保证高精度，又具备良好泛化能力和临床可行性的解决方案。
ASD预测
本研究旨在通过整合先进的优化算法与高效的分类网络，构建一个准确、可扩展且智能的ASD预测模型。核心提出的方法是萤火虫优化耦合极限学习机网络（Glowworm Optimization with Extreme Learning Machine Networks, GO-ELMN）。该模型的整体架构旨在快速、可靠地提供儿科医疗环境下的筛查方案。
3.1 ASD数据集
研究使用了来自Kaggle平台的ASD幼儿筛查数据集，由Fadi Fayez博士通过移动筛查应用收集。该数据集包含1054个实例和19个特征，涵盖行为特征（基于自闭症幼儿定量检查表QCHAT-10的10个二元问题）和人口统计学特征（如性别、年龄、种族、出生时是否有黄疸、家族ASD史等）。目标变量为二元标签，指示是否存在ASD风险特征。
3.2 数据预处理与格式化
原始数据通常包含缺失值、噪声和不一致的信息。预处理阶段通过系统性的数据填补（数值型用均值，分类型用众数）、特征转换（如对分类变量进行独热编码One-hot Encoding）和数据标准化（如标准缩放、鲁棒缩放或单位范数缩放），将数据转化为可用于机器学习模型的规范化、完整的数值格式。这一步骤确保了后续模型训练的稳定性和有效性。
3.3 自闭症属性选择
特征选择旨在从高维特征中筛选出对分类最有效、冗余度最低的特征子集，以提升模型性能并防止过拟合。本研究采用萤火虫群优化（Glowworm Swarm Optimization, GSO） 算法来完成此任务。GSO模拟萤火虫通过发光强度（即适应度值）相互吸引的行为，在搜索空间中寻找最优特征组合。其适应度函数结合了ELM在选定特征子集上的交叉验证准确率与特征子集规模的惩罚项，以平衡模型性能与复杂度。该过程能有效识别出最具判别力的行为与人口统计学特征组合。
3.4 基于ELM的ASD预测
经过预处理和特征选择后得到的数据，被输入到极限学习机（Extreme Learning Machine, ELM） 网络进行分类。ELM是一种单隐层前馈神经网络，其特点是输入权重和隐层偏置随机生成后即固定，仅需通过解析解（如岭回归）计算输出层权重，因此训练速度极快。本研究利用GSO同时优化ELM的关键超参数，如隐层神经元数量（L）和正则化系数（λ），从而进一步提升模型性能。ELM网络能够高效地将筛选后的特征映射到ASD风险分类结果上。
研究发现
通过实验评估，GO-ELMN模型在ASD幼儿筛查任务中展现出了高精度和快速的收敛速度。该模型有效解决了数据有限、类别不平衡带来的挑战，其优化后的分类器能够准确识别儿童行为模式。研究结果表明，该ASD检测模型为儿科医疗领域提供了一个可解释、快速且可靠的解决方案。
结论
本研究提出的GO-ELMN模型，通过整合萤火虫优化算法进行特征选择和超参数调优，显著提升了极限学习机网络在儿童ASD预测任务中的性能。该框架为实现客观、高效且易于部署的早期ASD筛查工具提供了有前景的技术路径，有助于弥补临床资源不足地区的诊断缺口，并推动早期干预措施的及时实施。
