[发明专利]一种汉语发展性阅读障碍预测系统及其预测方法

说明书

本发明公开了一种汉语发展性阅读障碍预测系统及其预测方法，包括计算机和内嵌于计算机中运行的经训练完毕的神经网络模型，神经网络模型包括输入层神经元模块、隐含层神经元模块和输出层神经元模块，输入层神经元模块和输出层神经元模块分别与计算机主界面上所设置的输入模块和预测模块进行数据传输，输入层神经元模块中包括用于输入被试的人口统计学信息、参加语音意识测验的类型和阅读相关认知测验信息的若干个神经元节点，隐含层神经元模块中包含若干个隐含层神经元节点，输出层神经元模块用于输出是否患有发展性阅读障碍的预测结果。本发明使用机器学习能够拟合任意复杂、模糊数据关系的误差反向传递神经网络技术，能够高效、准确预测汉语发展性阅读障碍。

技术领域

本发明涉及阅读障碍识别技术领域，具体涉及一种汉语发展性阅读障碍预测系统及其预测方法。

背景技术

现有的汉语发展性阅读障碍的预测技术是以儿童的行为测验成绩为基础，使用传统的Logistic回归模型进行模拟，得到最终的预测评估模型(例如：Shu,McBride-Chang,Wu,Liu,2006；Li,Shu,McBride-Chang,Liu,Xue,2009；董琼,李虹,伍新春,潘敬儿,张玉平,阮氏芳,2012；Tong,Tong,King Yiu,2018)。但是，当前针对汉语儿童发展性阅读障碍的预测评估模型存在以下缺陷：

1)Logistic回归方法模拟数据时需要满足数据线性、独立、正态分布以及方差齐性(LyuZhang,2019)，但是阅读障碍儿童属于特殊群体，并且在测试成绩上很难满足上述要求，这会导致获得的预测评估模型的预测结果不准确或预测偏差较大(LyuZhang,2019)。

2)发展性阅读障碍是由多种因素相互影响、共同作用的结果(Morris et al.,1998)，其影响因素之间的复杂关系也很难通过Logistic回归这样简单的数学模式精确表征，由Logistic回归方法得到的预测评估模型总体预测准确率并不高(82％)。

3)现有的预测评估模型在构建时模拟数据的样本量过少(n150)，很难有效地反映客观规律，造成模型预测准确率偏低。

4)现有的预测评估模型仅作为实证研究的一种技术手段，并没有被制作为可以大规模临床、科研应用的检测系统。

发明内容

本发明针对现有汉语发展性阅读障碍的预测评估模型数据拟合方式、训练样本较小以及尚未应用于实际等不足，提供一种汉语发展性阅读障碍预测系统及其预测方法，通过使用经遗传算法优化的误差反向传递神经网络技术训练大量已有诊断数据，最后以训练、验证完毕的神经网络为核心进行图形用户界面程序设计，并封装为可在Windows 64位系统中安装和运行，能够对汉语发展性阅读障碍进行预测的评估系统。

本发明采用如下技术方案：

一方面，本发明提供了一种汉语发展性阅读障碍预测系统，其特征在于，所述系统包括计算机和内嵌于所述计算机中运行的经训练完毕的神经网络模型，所述神经网络模型包括数据信号传输的输入层神经元模块、隐含层神经元模块和输出层神经元模块，所述输入层神经元模块、隐含层神经元模块和输出层神经元模块间数据信号与各个神经元的权重值和偏置加权求和并通过模块间的传递函数由左到右依次传播；所述输入层神经元模块和输出层神经元模块分别与所述计算机主界面上所设置的输入模块和预测模块进行数据传输，所述输入层神经元模块中包括用于输入被试的人口统计学信息、参加语音意识测验的类型和阅读相关认知测验信息的若干个神经元节点，所述隐含层神经元模块中包含若干个隐含层神经元节点，所述输出层神经元模块用于输出是否患有发展性阅读障碍的预测结果。

所述输入层神经元模块中包括14个神经元节点，其依次为被试的性别、年级、年龄、参加语音意识测验的类型以及阅读流畅性、阅读准确性、语素意识、语音意识、图片快速命名、数字快速命名、判断假字正确率、判断非字正确率、判断假字反应时和判断非字反应时成绩；所述隐含层神经元模块中包含12个隐含层神经元节点。