Ứng dụng các thuật toán học máy để đánh giá bộ cơ sở dữ liệu trong phân loại rối loạn phổ tự kỷ

TẠP CHÍ KHOA HỌC ĐẠI HỌC ĐÀ LẠT Tập 10, Số 3, 2020 39-51 
39 
ỨNG DỤNG CÁC THUẬT TOÁN HỌC MÁY ĐỂ ĐÁNH GIÁ BỘ 
CƠ SỞ DỮ LIỆU TRONG PHÂN LOẠI RỐI LOẠN PHỔ TỰ KỶ 
Phạm Quang Thuậna*, Nguyễn Đình Thuậnb 
aTrung tâm Thông tin-Thư viện, Trường Cao đẳng Sư phạm Trung ương-Nha Trang, Nha Trang, 
Việt Nam 
bKhoa Hệ thống thông tin, Trường Đại học Công nghệ thông tin, Đại học Quốc gia TP.Hồ Chí Minh, 
Việt Nam 
*Tác giả liên hệ: Email: thuanpq@sptwnt.edu.vn 
Lịch sử bài báo 
Nhận ngày 04 tháng 02 năm 2020 
Chỉnh sửa lần 1 ngày 08 tháng 3 năm 2020 | Chỉnh sửa lần 2 ngày 10 tháng 5 năm 2020 
Chấp nhận đăng ngày 23 tháng 9 năm 2020 
Tóm tắt 
Bài báo này, chúng tôi trình bày kết quả đánh giá bộ cơ sở dữ liệu trong phân loại rối loạn 
phổ tự kỷ (ASD) trẻ em trên kho dữ liệu UCI. Chúng tôi tiến hành đánh giá bộ dữ liệu với 
các thuật toán SVM và Random Forest, đồng thời khảo sát thêm các thuật toán Decision 
Trees, Logistic Regression, K-Nearest-Neighbors, Naïve Bayes, và mạng nơ-ron Multi 
Layer Perceptron (MLP). Kết quả thử nghiệm trên bảy thuật toán cho kết quả phân loại 
cao phù hợp với các nghiên cứu trước đó. Chúng tôi kết luận bộ dữ liệu phân loại rối loạn 
phổ tự kỷ trẻ em trên kho dữ liệu UCI là đáng tin cậy. 
Từ khóa: Rối loạn phổ tự kỷ; Sàng lọc rối loạn phổ tự kỷ; Thuật toán học máy. 
DOI:  
Loại bài báo: Bài báo nghiên cứu gốc có bình duyệt 
Bản quyền © 2020 (Các) Tác giả. 
Cấp phép: Bài báo này được cấp phép theo CC BY-NC 4.0 
TẠP CHÍ KHOA HỌC ĐẠI HỌC ĐÀ LẠT [CHUYÊN SAN KHOA HỌC TỰ NHIÊN VÀ CÔNG NGHỆ] 
40 
APPLICATION OF MACHINE LEARNING ALGORITHMS TO 
EVALUATE THE UCI DATABASE IN THE CLASSIFICATION OF 
AUTISM SPECTRUM DISORDERS 
Pham Quang Thuana*, Nguyen Dinh Thuanb 
aThe Library-Information Center, Nha Trang National College of Pedagogy, Nhatrang, Vietnam 
bThe Faculty of Information Systems, Vietnam National University Hochiminh City, University of 
Information Technology, Hochiminh City, Vietnam 
*Corresponding author: Email: thuanpq@sptwnt.edu.vn 
Article history 
Received: February 4th, 2020 
Received in revised form (1st): March 8th, 2020 | Received in revised form (2nd): May 10th, 2020 
Accepted: Septamber 23rd, 2020 
Abstract 
In this article, we present the results of an evaluation of the autism spectrum disorder 
classification (ASD) of children in the UCI database. We evaluated the data set with the 
SVM and Random Forest algorithms and also investigated the Decision Tree, Logistic 
Regression, K-Nearest-Neighbors, Naïve Bayes, and Multi-Layer Perceptron (MLP) 
algorithms. All algorithms give high classification results consistent with previous studies. 
We conclude that the data set for classifying children's autism spectrum disorders in the 
UCI database is reliable. 
Keywords: Autism spectrum disorder; Machine learning algorithms; Screening autism 
spectrum disorder. 
DOI:  
Article type: (peer-reviewed) Full-length research article 
Copyright © 2020 The author(s). 
Licensing: This article is licensed under a CC BY-NC 4.0 
Phạm Quang Thuận và Nguyễn Đình Thuận 
41 
1. ĐẶT VẤN ĐỀ 
“Rối loạn phổ tự kỷ (ASD) là một dạng khuyết tật phát triển tồn tại trong cuộc 
đời, thường xuất hiện trong ba năm đầu đời. ASD là do rối loạn thần kinh gây ảnh 
hưởng đến chức năng hoạt động của não bộ. ASD có thể xảy ra ở bất cứ cá nhân nào 
không phân biệt giới tính, chủng tộc hoặc điều kiện kinh tế-xã hội. Đặc điểm của ASD 
là những khiếm khuyết về tương tác xã hội, giao tiếp ngôn ngữ và phi ngôn ngữ, có 
hành vi, sở thích và hoạt động mang tính hạn hẹp và lặp đi lặp lại” (The United Nations, 
n.d). Ở Việt Nam chưa có số liệu chính xác, theo ước tính do Cục Bảo trợ xã hội-Bộ 
LĐTB&XH hiện có khoảng hơn 200,000 người bị ASD. Song theo cách tính của Tổ 
chức WHO, con số này tầm khoảng 500,000 và thực tế số lượng trẻ được chẩn đoán và 
điều trị ngày càng tăng từ năm 2000 đến nay. Báo cáo của Viện Khoa học Giáo dục Việt 
Nam cho biết, nghiên cứu mô hình tàn tật ở trẻ em của khoa Phục hồi Chức năng, Bệnh 
viện Nhi Trung ương giai đoạn 2000-2007 đã thống kê số lượng trẻ mắc chứng ASD 
đến khám năm 2007 tăng gấp 50 lần so với thời điểm bảy năm trước đó, xu thế mắc 
cũng tăng nhanh từ 122% đến 268% trong giai đoạn 2004-2007 so với năm 2000. Trên 
thế giới, tỷ lệ trẻ được phát hiện và chẩn đoán ASD tăng một cách đáng kể. Điển hình 
như ở Mỹ, trước đây tỷ lệ này là 1/1,000 thì nay đã tăng lên 1/68 từ năm 2012 (Doanh, 
2018). 
Việc chẩn đoán ASD chủ yếu được thực hiện thông qua các biểu hiện lâm sàng 
bằng quan sát trực tiếp hoặc phỏng vấn vấn người chăm sóc. Quy trình chẩn đoán ASD 
thường rất phức tạp, chủ quan và nhiều thách thức. Theo tiêu chuẩn của WHO, chẩn 
đoán cho các rối loạn phát triển của một trẻ cần năm chuyên gia, theo tiêu chuẩn của 
Mỹ là sáu chuyên gia, cùng theo dõi trẻ trong tối thiểu một tháng ở ba môi trường khác 
nhau (phòng khám hoặc trung tâm, gia đình, và cộng đồng) (Nguyễn, 2012). Thực tế để 
tiến hành các chẩn đoán ASD thường mất nhiều thời gian và phụ thuộc trình độ của các 
chuyên gia lâm sàng nên các nhà khoa học đã nghĩ đến một quy trình chẩn đoán mới để 
tăng độ chính xác và tiết kiệm thời gian. 
Quá trình chẩn đoán ASD là một vấn đề phân loại điển hình trong đó bác sĩ lâm 
sàng đang cố gắng xây dựng một mô hình tự động (phân loại) bằng cách sử dụng học 
máy để đoán xem một trường hợp có phải là ASD hay không. Trình phân loại này 
thường được xây dựng từ bộ dữ liệu đầu vào (các trường hợp trước đây có và không bị 
ASD được phân loại bởi một công cụ chẩn đoán), sau đó đánh giá trên các trường hợp 
thử nghiệm độc lập (trường hợp mới) để đo lường hiệu quả của nó trong việc dự đoán 
ASD. Nhìn chung, quá trình chẩn đoán trong nghiên cứu ASD là một nhiệm vụ phân loại. 
Nhiều thuật toán học máy đã được các nhà khoa học đã áp dụng trên các bộ cơ 
sở dữ liệu khác nhau và thu được những kết quả nghiên cứu khả quan (xem Bảng 1). 
Trong số các thuật toán cho kết quả dự đoán cao là SVM và Random ... Forest là hai giải thuật tốt nhất để phân loại ASD. 
Một nghiên cứu khác của Brian McNamara và cộng sự khi khảo sát hai giải thuật 
Decision Trees, Random Forest cũng chỉ ra sự hiệu quả của giải thuật Random Forest 
trong phân loại ASD (McNamara et al., 2018). Tuy nhiên các nghiên cứu của các giả 
Kanad Basu và Brian McNamara mới chỉ khảo sát các thuật toán học máy trên bộ dữ 
liệu sàng lọc ASD người lớn đồng thời không có dữ liệu thực tế để kiểm nghiệm từ 
đánh giá hiệu quả của mô hình học máy. 
Từ các nghiên cứu trên chỉ ra rằng, các thuật toán học máy nổi bật là SVM, 
Random forest, ADTree... có hiệu quả trong xây dựng mô hình học máy để hỗ trợ quá 
trình phân loại ASD. 
2.3. Đánh giá bộ cơ sở dữ liệu phân loại ASD 
2.3.1. Bộ dữ liệu 
Bộ dữ liệu huấn luyện: Chúng tôi sử dụng bộ dữ liệu sàng lọc ASD trẻ em 
(Autistic Spectrum Disorder Screening Data for Children Data Set) được công bố trên 
bộ dữ liệu UCI. Bộ dữ liệu dùng cho các nghiên cứu sàng lọc, phân loại, dự đoán chứng 
ASD ở trẻ em. Bộ dữ liệu có 292 trường hợp với 21 đặc trưng, trong đó có 141 trường 
hợp được phân lớp là ASD và 151 trường hợp không được phân lớp bị ASD. 
Hình 2. Hình ảnh 10 trường hợp đầu tiên của bộ dữ liệu sàng lọc ASD trẻ em 
TẠP CHÍ KHOA HỌC ĐẠI HỌC ĐÀ LẠT [CHUYÊN SAN KHOA HỌC TỰ NHIÊN VÀ CÔNG NGHỆ] 
46 
Bộ dữ liệu kiểm nghiệm: Bộ dữ liệu kiểm định được chúng tôi xây dựng với sự 
hỗ trợ của các chuyên gia của Trung tâm Tư vấn và Hỗ trợ giáo dục đặc biệt, Trường 
cao đẳng Sư phạm Trung ương-Nha Trang. Các bước xây dựng bộ dữ liệu này như sau: 
(1) Các chuyên gia sử dụng bộ câu hỏi AQ-10 cho trẻ em trên ứng dụng ASD Test để 
đánh giá các trường hợp mắc ASD tại trung tâm; và (2) Tiến hành mã hóa dữ liệu. Kết 
quả chúng tôi thu được 18 trường hợp trong đó có 10 trường hợp đã được chẩn đoán 
lâm sàng mắc ASD và 8 trường hợp không bị ASD (Xem Hình 3). 
Hình 3. Bộ dữ liệu thực tế trẻ mắc chứng ASD được xây dựng bởi các chuyên gia 
của Trung tâm Tư vấn và Hỗ trợ giáo dục đặc biệt, Trường Cao đẳng Sư phạm 
Trung ương-Nha Trang 
2.3.2. Xây dựng mô hình dự đoán 
Các bước xây dựng mô hình dự đoán như sau: 
Bước 1: Làm sạch dữ liệu. Ở bước này chúng tôi tiến hành xóa các trường hợp 
có dữ liệu bị thiếu. Trong 292 trường hợp của bộ dữ liệu có 44 trường hợp có dữ liệu bị 
thiếu (NA) ở các thuộc tính ethnicity (tôn giáo) và relation (người thực hiện kiểm tra). 
Các giá trị còn thiếu chủ yếu là kiểu dữ liệu phân loại. Điều này gây khó khăn cho việc 
tạo các giá trị thay thế vì chúng ta không thể thay thế giá trị trung bình hoặc trung bình 
cho các biến không không phải là kiểu dữ liệu số. Sau khi xóa các trường hợp này, tập 
dữ liệu còn 248 trường hợp. Trong đó có 126 trường hợp được phân loại ASD và 122 
trường hợp không bị ASD. 
Bước 2: Lựa chọn đặc trưng: Chúng tôi sử dụng phương pháp phương pháp Chi 
Square (CHI) (Bahassine, Madani, Al-Sarem, & Kissi, 2018; Thabtah, 2018) để đánh 
giá giá độ liên quan của các đặc trưng tới kết quả phân lớp. 
CHI-SQ (Công thức 1) tính toán mối tương quan giữa các biến thuộc tính 
(variable–v) và biến mục tiêu (class–l) sử dụng xác suất mong đợi và kết quả quan sát 
của chúng trong tập dữ liệu huấn luyện (𝑇). 
Phạm Quang Thuận và Nguyễn Đình Thuận 
47 
𝐶𝐻𝐼 − 𝑆𝑞𝑢𝑎𝑟𝑒(𝑣, 𝑙)= 
𝑆×(𝐴𝐷−𝐵𝐶)2
(𝐴+𝐶)×(𝐵+𝐷)×(𝐴+𝐵)×(𝐶+𝐷)
 (1) 
Trong đó: 𝐴 là tần số cặp (𝑣, 𝑙) trong 𝑇; 𝐵 là tần số của biến 𝑣 không có lớp 𝑙 
trong 𝑇; 𝐶 là tần số của lớp 𝑙 không có biến 𝑣 trong 𝑇; 𝐷 là tần số của các trường hợp 
không có cả (𝑣, 𝑙) trong 𝑇; và 𝑆 là kích thước của 𝑇. 
Kết quả, với phương pháp CHI-SQ chúng tôi thu được 10 đặc trưng đầu tiên A1-
A10 của bộ dữ liệu có mối tương quan nhiều nhất đến biến phân lớp. Chúng tôi chọn 10 
đặc trưng này để xây dựng mô hình. 
Bước 3: Xây dựng mô hình: Với 10 đặc trưng thu được từ quá trình lựa chọn đặc 
trưng, chúng tôi xây dựng mô hình dự đoán dựa trên các thuật toán học máy SVM và 
Random Forest. Tuy nhiên để chọn được mô hình tốt nhất, chúng tôi tiến hành khảo sát 
thêm các thuật toán: Decision Trees, Logistic Regression, K-Nearest-Neighbors, Naïve 
Bayes, và mạng nơ ron Multi Layer Perceptron. Bộ dữ liệu sẽ được chia làm 2 phần: 80 
% (198 trường hợp) dùng để huấn luyện mô hình và 20 % (50 trường hợp) dùng để xác 
thực, kiểm thử. 
Để nâng cao chất lượng mô hình chúng tôi sử dụng kỹ thuật xác thực chéo 
(Cross-validation) với k = 10. Vì số lượng dữ liệu hạn chế, nếu lấy quá nhiều dữ liệu 
trong tập huấn luyện ra làm dữ liệu xác thực, phần dữ liệu còn lại không đủ để xây dựng 
mô hình. Lúc này, tập xác thực phải thật nhỏ để giữ được lượng dữ liệu huấn luyện đủ 
lớn. Xác thực chéo là một cải tiến của xác thực với lượng dữ liệu trong tập xác thực là 
nhỏ nhưng chất lượng mô hình được đánh giá trên nhiều tập xác thực khác nhau. Đây là 
một phương pháp kiểm tra được sử dụng để đánh giá hiệu suất của của mô hình dự đoán 
(Kohavi, 1995). Để cài đặt các thuật toán học máy, chúng tôi sử dụng máy tính Intel ®, 
Core i5-5200U CPU 2.2 GHz, Ram 8GB và sử dụng các gói thư viện sklearn và keras 
của Python trên môi trường lập trình PyScripter. Kết quả xây dựng mô hình thể hiện 
thông qua các thang đánh giá Accuracy, Sensitivity (Recall), Specificity, Precision, F-1, 
cross_val_score (xem Bảng 2). 
Bảng 2. Kết quả xây dựng mô hình 
STT Thuật toán học máy 
Thang đánh giá 
Accuracy 
Sensitivity 
(Recall) 
Specificity Precision F-1 cross_val_score 
1 Decision Trees 0.92 0.96 0.86 0.90 0.91 0.93 
2 Random Forest 0.94 1.00 0.86 0.90 0.92 0.93 
3 SVM 1.00 1.00 1.00 1.00 1.00 1.00 
4 Logistic Regression 1.00 1.00 1.00 1.00 1.00 0.99 
5 K-Nearest-Neighbors 0.92 1.00 0.82 0.88 0.89 0.90 
6 Naïve Bayes 0.72 0.64 0.82 0.82 0.78 0.64 
7 Multi Layer Perceptron 0.96 0.96 0.95 0.96 0.96 1.00 
TẠP CHÍ KHOA HỌC ĐẠI HỌC ĐÀ LẠT [CHUYÊN SAN KHOA HỌC TỰ NHIÊN VÀ CÔNG NGHỆ] 
48 
Từ kết quả thử nghiệm ở Bảng 2, dựa vào thang đo độ chính xác phân loại thì 
các giải thuật SVM, Logistic Regression Multilayer Perceptron, K-Nearest-Neighbors, 
và Random Forest cho kết quả phân loại ASD cao. Các kết quả này phù hợp với các 
nghiên cứu trước đó được thể hiện ở Bảng 1. 
2.3.3. Thử nghiệm trên bộ cơ sở dữ liệu thực tế 
Chúng tôi tiến hành thử nghiệm mô hình của bảy thuật toán trên bộ dữ liệu thực 
tế. Kết quả dự đoán được thể hiện trên Bảng 3. 
Bảng 3. Kết quả thực nghiệm bảy thuật toán trên bộ dữ liệu thực tế 
Thuật toán DecisionTrees RandomForest SVM LogisticRegression KNN NaiveBayes MLP 
Số lượng 
trường hợp 
dự đoán 
đúng 
17 18 18 18 18 15 18 
Tỷ lệ (%) 94% 100% 100% 100% 100% 83% 100% 
Từ Bảng 3 chúng tôi rút ra nhận xét, các thuật toán RandomForest, SVM, 
LogisticRegression, KNN, và MLP cho kết quả dự đoán tốt trên bộ dữ liệu thực tế. Điều 
này có thể giải thích bởi bộ dữ liệu được xây dựng trên bộ câu hỏi được các chuyên gia 
tâm lý phát triển và thử nghiệm nên các đặc trưng đã thể hiện được độ tin cậy. Mặt khác 
các đặc trưng ứng với các trường hợp bị ASD và không bị ASD trong bộ dữ liệu khá 
rõ ràng. 
 Căn cứ vào kết quả xây dựng mô hình, kết quả thực nghiệm trong nghiên cứu 
của chúng tôi và kết quả nghiên cứu của Thabtah (Thabtah, 2018) thì mô hình thuật toán 
SVM là tin cậy. Nó có thể dùng để phát triển ứng dụng sàng lọc ASD trẻ em. 
3. KẾT LUẬN VÀ KIẾN NGHỊ 
3.1. Kết luận 
Chúng tôi đã tiến hành đánh giá bộ dữ liệu sàng lọc ASD trẻ em với các thuật 
toán SVM và Random Forest, đồng thời khảo sát thêm các thuật toán Decision Trees, 
Logistic Regression, K-Nearest-Neighbors, Naïve Bayes, và MLP. Kết quả thử nghiệm 
trên các bảy thuật toán cho kết quả phân loại cao phù hợp với các nghiên cứu trước đó. 
Chúng tôi đề xuất sử dụng mô hình thuật toán SVM để sử dụng phát triển ứng dụng 
sàng lọc ASD trẻ em 
Như vậy, có thể khẳng định rằng bộ dữ liệu dùng để xây dựng các mô hình phân 
loại ASD trẻ em là đáng tin cậy. Bộ dữ liệu này có thể sử dụng để xây dựng các mô 
hình hỗ trợ sàng lọc ASD. Đây là một hướng nghiên cứu khả quan có thể áp dụng vào 
thực tiễn trong tương lai. 
Phạm Quang Thuận và Nguyễn Đình Thuận 
49 
3.2. Kiến nghị 
Trên cơ sở các kết quả đã thu được, hướng phát triển tiếp theo của chúng tôi là: 
(1) Tiếp tục kết hợp với các chuyên gia giáo dục đặc biệt thu thập xây dựng bộ dữ liệu 
sàng lọc ASD trẻ em ở Việt Nam; và (2) Phát triển ứng dụng sàng lọc ASD cho trẻ em 
Việt Nam. Với tỷ lệ trẻ em ở Việt Nam mắc chứng ASD ngày càng tăng, ứng dụng sàng 
lọc sẽ giúp cha mẹ và người chăm sóc có thể sàng lọc ASD sớm từ đó có những biện 
pháp can thiệp kịp thời góp phần giảm gánh nặng cho gia đình và xã hội. 
TÀI LIỆU THAM KHẢO 
Bahassine, S., Madani, A., Al-Sarem, M., & Kissi, M. (2018). Feature selection using 
an improved Chi-square for Arabic text classification. Journal of King Saud 
University-Computer and Information Sciences, 32(2), 225-231. https://doi.org/ 
10.1016/j.jksuci.2018.05.010. 
Basu, K. (2018). Autism Screening Adult Data Set : A Machine Learning Approach. 
Retrieved from https://github.com/kbasu2016/Autism-Detection-in-
Adults/blob/master/proposal.pdf. 
Bone, D., Goodwin, M. S., Black, M. P., Lee, C. C., Audhkhasi, K., & Narayanan, S. 
(2014). Applying Machine Learning to Facilitate Autism Diagnostics: Pitfalls 
and Promises. Journal of Autism and Developmental Disorders, 45(5), 1121-
1136. https://doi.org/10.1007/s10803-014-2268-6. 
Demirhan, A. (2018). Performance of machine learning methods in determining the 
autism spectrum disorder cases. Mugla Journal of Science and Technology, 4(1), 
79-84. https://doi.org/10.22531/muglajsci.422546. 
Doanh, Đ. (2018). Cần sớm hoàn thiện và đưa tài liệu về hỗ trợ trẻ em tự kỷ vào cuộc 
sống. Retrieved from 
lieu-ve-ho-tro-tre-em-tu-ky-vao-cuoc-song-1310672.html. 
Fischbach, G. D., & Lord, C. (2010). The simons simplex collection: A resource for 
identification of autism genetic risk factors. Neuron, 68(2), 192-195. 
https://doi.org/10.1016/j.neuron.2010.10.006. 
Geschwind, D. H., Sowinski, J., Lord, C., Iversen, P., Shestack, J., Jones,  Spence, S. 
J. (2001). The autism genetic resource exchange: A resource for the study of 
autism and related neuropsychiatric conditions. The American Journal of Human 
Genetics, 69(2), 463-466. https://doi.org/10.1086/321292. 
Gök, M. (2019). A novel machine learning model to predict autism spectrum disorders 
risk gene. Neural Computing and Applications, 31(10), 6711-6717. 
https://doi.org/10.1007/s00521-018-3502-5. 
Hall, D., Huerta, M. F., McAuliffe, M. J., & Farber, G. K. (2012). Sharing 
heterogeneous data: The national database for autism research. 
Neuroinformatics, 10(4), 331-339. https://doi.org/10.1007/s12021-012-9151-4. 
TẠP CHÍ KHOA HỌC ĐẠI HỌC ĐÀ LẠT [CHUYÊN SAN KHOA HỌC TỰ NHIÊN VÀ CÔNG NGHỆ] 
50 
Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation 
and model selection. Paper presented at The Fourteenth International Joint 
Conference on Artificial Intelligence, Quebec, Canada. 
Mythili, M. S., & Shanavas, A. R. M. (2014). A study on autism spectrum disorders 
using classification techniques. International Journal of Soft Computing and 
Engineering, 4(5), 88-91. 
McNamara, B., Lora, C., Yang, D., Flores, F., & Daly, P. (2018). Machine learning 
classification of adults with autism spectrum disorder. Retrieved from 
06f371a8dd.html. 
Nguyễn, N. T. A. (2012). Một số vấn đề cơ bản trong chuẩn đoán rối loạn phổ tự kỷ. 
Tạp Chí Khoa Học ĐHQGHN, Khoa Học Xã Hội và Nhân Văn, 28, 143-147. 
Pennington, M. L., Cullinan, D., & Southern, L. B. (2014). Defining autism: Variability 
in state education agency definitions of and evaluations for autism spectrum 
disorders. Autism Research and Treatment, 2014, 1-8. https://doi.org/10. 
1155/2014/327271. 
Ramani, R. G., & Sivaselvi, K. (2017). Autism spectrum disorder identification using 
data mining techniques. International Journal of Pure and Applied Mathematics, 
117(16), 427-436. 
Robins, D. L., Fein, D., Barton, M. L., & Green, J. A. (2001). The modified checklist 
for autism in toddlers: An initial study investigating the early detection of autism 
and pervasive developmental disorders. Journal of Autism and Developmental 
Disorders, 31(2), 131-144. https://doi.org/10.1023/A:1010738829569. 
Stevens, E., Atchison, A., Stevens, L., Hong, E., Granpeesheh, D., Dixon, D., & 
Linstead, E. (2017). A cluster analysis of challenging behaviors in autism 
spectrum disorder. Paper presented at The 16th IEEE International Conference 
on Machine Learning and Applications, Cancun, Mexico. 
https://doi.org/10.1109/ICMLA.2017.00-85. 
Thabtah, F. A. (2017a). Autism screening adult data set. Retrieved from 
https://archive.ics.uci.edu/ml/datasets/Autism+Screening+Adult. 
Thabtah, F. A. (2017b). Autistic spectrum disorder screening data for adolescent data 
set. Retrieved from https://archive.ics.uci.edu/ml/datasets/Autistic+Spectrum+ 
Disorder+Screening+Data+for+Adolescent+++. 
Thabtah, F. A. (2017c). Autistic spectrum disorder screening data for children data set. 
Retrieved from https://archive.ics.uci.edu/ml/datasets/Autistic+Spectrum+Disor 
der+Screening+Data+for+Children++. 
Thabtah, F. A. (2018). Detecting autistic traits using computational intelligence & 
machine learning techniques. Retrived from  
34844/. 
The United Nations. (n.d). World autism awareness day 2 April. Retrieved from https: 
Phạm Quang Thuận và Nguyễn Đình Thuận 
51 
//www.un.org/en/observances/autism-day/background. 
Towle, P. O., & Patrick, P. A. (2016). Autism spectrum disorder screening instruments 
for very young children: A systematic review. Autism Research and Treatment, 
2016, 1-29. https://doi.org/10.1155/2016/4624829. 
Wall, D. P., Kosmicki, J., DeLuca, T. F., Harstad, E., & Fusaro, V. A. (2012). Use of 
machine learning to shorten observation-based screening and diagnosis of 
autism. Translational Psychiatry, 2(4), 1-8. https://doi.org/10.1038/tp.2012.10.