發(fā)展性閱讀障礙（developmental dyslexia，DD）是一種在獲得閱讀技能方面的特殊困難，影響著(zhù)5% -17%的學(xué)齡兒童，且不能單純地歸因于智力水平、視敏度問(wèn)題以及學(xué)校教育的欠缺。閱讀障礙是兒童學(xué)習障礙的主要類(lèi)型，超過(guò)70%的學(xué)習障礙兒童存在閱讀困難。由于致病機理不清，缺乏標準的測試工具，發(fā)展性閱讀障礙的識別和診斷一直是該領(lǐng)域一個(gè)巨大的挑戰。

　　誤差反向傳遞神經(jīng)網(wǎng)絡(luò )(back-propagation neural network, BPNN)是人工神經(jīng)網(wǎng)絡(luò )(artificial neural network, ANN)的一種類(lèi)型，具有非線(xiàn)性、自主學(xué)習、容錯性良好、自我組織以及自適應性等優(yōu)點(diǎn)，可以通過(guò)提供準確的預測來(lái)輔助醫學(xué)診斷。以往研究表明，BPNN模型在醫學(xué)預測方面優(yōu)于Logistic回歸模型。已有一些研究使用BPNN模型來(lái)鑒別閱讀障礙或其他學(xué)習障礙，表現出良好的預測精度，顯示BPNN模型可作為識別閱讀障礙兒童的有效工具。然而，這些模型僅應用于拼音文字系統閱讀障礙的鑒別。由于漢語(yǔ)和拼音文字在認知加工上存在很大的差異，影響閱讀障礙的潛在認知因素也不完全相同，并且不同語(yǔ)言的閱讀相關(guān)認知技能對閱讀障礙的鑒別貢獻也有很大的不同，拼音文字閱讀障礙的鑒別模型并不能直接應用于漢語(yǔ)閱讀障礙的鑒別。

　　近日，中國科學(xué)院行為科學(xué)重點(diǎn)實(shí)驗室畢鴻燕研究組構建了一個(gè)經(jīng)遺傳算法優(yōu)化的BPNN (GA-BPNN)模型，基于近十年來(lái)建立的漢語(yǔ)閱讀障礙兒童認知行為數據庫(人口學(xué)數據、閱讀相關(guān)認知技能成績(jì))對模型進(jìn)行訓練和驗證，開(kāi)發(fā)了針對漢語(yǔ)發(fā)展性閱讀障礙兒童的鑒別模型。

　　結果表明，GA-BPNN模型的總體鑒別準確率為94%，并且各項鑒別指標均優(yōu)于以往的Logistic回歸模型。進(jìn)一步分析還發(fā)現，閱讀準確性對鑒別漢語(yǔ)發(fā)展性閱讀障礙的貢獻最大，語(yǔ)音意識、拒絕假字正確率、語(yǔ)素意識、閱讀流暢性、數字快速命名和拒絕非字反應時(shí)對鑒別漢語(yǔ)發(fā)展性閱讀障礙也具有重要的貢獻。其中，語(yǔ)素意識的鑒別貢獻排名隨年級的增加而上升，但數字快速命名的鑒別貢獻排名隨年級增加而下降。

圖1 神經(jīng)網(wǎng)絡(luò )模型對全體數據鑒別結果的混淆矩陣

注：左圖為basic BPNN模型的混淆矩陣，右圖為GA-BPNN模型的混淆矩陣

表1 三個(gè)模型對全體數據的鑒別評估指標

表2 閱讀相關(guān)認知技能的平均影響值(MIV)及排名

表3 兩個(gè)年級組閱讀相關(guān)認知技能的MIV及排名

　　該研究使用經(jīng)優(yōu)化的ANN模型鑒別發(fā)展性閱讀障礙兒童，構建的GA-BPNN模型對有/無(wú)發(fā)展性閱讀障礙的中國兒童具有良好的鑒別能力。未來(lái)該模型的應用可以為漢語(yǔ)發(fā)展性閱讀障礙提供更有針對性的預防和治療策略，也為漢語(yǔ)發(fā)展性閱讀障礙的人工智能專(zhuān)家診斷系統奠定基礎。

　　該研究受到國家自然科學(xué)基金項目(31671155)的資助，數據來(lái)源于畢鴻燕研究組行為與腦成像數據庫，并得到心理所圖書(shū)館的數據存儲及管理的支持。相關(guān)文章已在線(xiàn)發(fā)表于計算機科學(xué)/人工智能領(lǐng)域學(xué)術(shù)期刊Expert Systems With Applications。

　　論文信息：Wang, R. Z., & Bi, H. Y. (2022). A predictive model for Chinese children with developmental dyslexia—Based on a genetic algorithm optimized back-propagation neural network. Expert Systems with Applications, 187, 115949.

　　https://doi.org/10.1016/j.eswa.2021.115949.