阅读障碍是相当普遍的。全世界有7亿儿童和成人患有阅读障碍，70％到80％的阅读能力差的人可能患有阅读障碍症。如果不及时治疗，阅读障碍会严重阻碍组织，计划和优先排序以及计时等任务。不幸的是，没有单一的测试来诊断它。

AI可能会解决这一问题。以色列理工学院临床神经生理学实验室和海法大学计算机科学系的研究人员声称开发了一种AI模型，无需人工干预识别阅读困难的人，并且达到现有最高的精确度。

他们发表了论文“Features and Machine Learning for Correlating and Classifying between Brain Areas and Dyslexia”。

论文作者写道，“我们开发了一种基于处理收集信号的方法，使用机器学习技术进行多变量分析，我们应用这些技术来分析有阅读障碍和普通读者之间的差异。”

正如研究人员解释的那样，之前对阅读障碍的研究表明，关键的神经心理因素，如时间和视觉和听觉脑系统之间的激活水平，会影响单词解码的准确性。异步理论表明在单词解码过程中大脑区域之间处理速度的差距可能会阻止信息的同步，从而导致处理不准确。

为了收集用于训练基于AI的阅读障碍分类系统的数据，该团队招募了32名来自两所学校的6至7年级的希伯来语母语儿童。该组的17名成员之前曾诊断为阅读障碍。在24次试验过程中，他们被要求执行词汇决策任务（LDT），在此期间他们必须判断屏幕上的192个字母串是否有意义。当受试者提交他们的答案时，放在他们头皮上的电极连续记录脑电图（EEG）测量大脑和眼睛的电活动。

经过预处理步骤，去除闪烁、松开的电极和数据中的其他伪影，研究人员通过平均剩余试验计算出事件相关电位（ERP）。在从ERP中提取特征（即属性）的过程中，他们将它们分成几个部分。

研究人员选择的算法是ReliefF，该模型根据特征消除相似样本歧义的能力为特征分配相关性。新奇的是，它的结构使他们能够识别大脑中对分类有不成比例影响的区域。

在给ReliefF输入数据后，他们最终从64个电极中分别选出了27个特征来评估结果。机器学习模型训练了最优秀的60个特征，成功地在80%的情况下将非阅读障碍的测试对象与阅读障碍的测试对象区分开来。它只对10个特征进行了训练，对阅读障碍进行了分类，准确度大约为70%。

有趣的是，该论文的作者发现大脑的一个特定部分左前叶，在整体分类中更重要。由此可见，他们认为阅读障碍和一般读者之间的大多数差异都位于左半球。使用机器学习工具，信号分析技术提供的少量特征足以准确地将阅读障碍者分出。

论文：
arxiv.org/ftp/arxiv/papers/1812/1812.10622.pdf