Geri Dön

Automated detection of autism based on the electrical signals of the brain (EEG)

Beynin elektrik sinyallerine (EEG) dayalı otizmin otomatik tespiti

PDF İndir

  1. Tez No: 940899
  2. Yazar: BASHAR SAAD FALIH AL SAFFAR
  3. Danışmanlar: DOÇ. DR. AHMET AYDIN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Erken tarama, Otizm Spektrum Bozukluğu (OSB) olan çocuklar için etkili müdahale ve rehabilitasyonun önemli bir parçasıdır. Gerçek zamanlı ve hassas izleme sağlayan Elektroensefalografi (EEG) sinyalleri, bu çalışmada ASD teşhisi için önerilen iki yöntemin geliştirilmesinde kullanılmıştır. 19 kanallı uyku EEG kayıtları kullanılarak 52 örnekten (22 ASD'li ve 30 kontrol) oluşan bir veri seti toplanmıştır. Yöntem 1: Bu yöntem, beynin sol ve sağ yarım küreleri arasındaki enerji farklarını kullanmıştır. Ön işleme adımları, azalma, bant geçiren filtreleme (< 0,5 Hz ve > 49 Hz istenmeyen frekansları reddetmek için), artefakt alt alanı yeniden yapılandırma ve genlik normalizasyonunu içermiştir. EEG sinyalleri beş frekans bandına ayrılmış ve her yarım küre için tepe kanal zarfı hesaplanmıştır. Maksimum, ortalama ve minimum enerji değerleri gibi özellikler, %12,5-%87,5 oranında değişen örtüşme oranları ile kayan pencere yöntemi kullanılarak çıkarılmıştır. Destek Vektör Makinesi (DVM) sınıflandırıcıları (Doğrusal, RBF ve Kuadratik çekirdekler) kullanılarak en iyi performans, maksimum enerji özellikleriyle DVM -D kullanılarak teta bandında elde edilmiştir: doğruluk %91,7, duyarlılık %91,4 ve F1 ölçüsü %91,6. Yöntem 2: Bu yaklaşımda, Irak ve Polonya'dan EEG verilerini otomatik şekilde analiz etmiştir. Ön işleme, gürültü giderme (< 0,5 Hz ve > 49 Hz istenmeyen frekansları bastırmak için) ve artefakt alt alanı yeniden yapılandırmayı içermiştir. EEG kanal güç spektral yoğunluğu özellikleri ve beyin topografya haritaları, derin özellik çıkarıcılar (örneğin AlexNet, GoogLeNet) kullanılarak işlenmiştir. Özellik seçimi için ANOVA uygulanmış, ardından DVM ve Doğrusal Ayırıcı Analiz (DAA) ile sınıflandırma yapılmıştır. Alfa bandı en iyi performansı göstermiştir. Doğruluk, Irak için %98 ve standart sapma (SS) %2,3'e ulaştı (GoogLeNet + ANOVA + DVM-D) ve Polonya için %96,5 doğruluk ile %3,6 SS (AlexNet-FC6 + ANOVA + DVM-D) olarak elde edilmiştir. Her iki yöntem de, EEG tabanlı sistemlerin düşük maliyetli ve doğru tanı araçları olarak potansiyelini vurgulamakta ve sağlık profesyonellerine OSB teşhisinde değerli bir karar destek mekanizması sunmaktadır.

Özet (Çeviri)

Early screening is essential for effective intervention and rehabilitation in children with Autism Spectrum Disorder (ASD). EEG signals, offering real-time and sensitive monitoring, were used in this study to develop two proposed methods for ASD diagnosis. A dataset of 52 samples (22 with ASD and 30 controls) was collected using 19-channel sleep EEG recordings. Method 1: This method utilized energy differences between the left and right brain hemispheres. Preprocessing steps included decimation, involved noise removal FIR-BPF (< 0.5 Hz and > 49 Hz to reject unwanted frequencies) and artifact subspace reconstruction, and amplitude normalization. EEG signals were decomposed into five frequency bands, and peak channel envelopes were calculated for each hemisphere. Features—maximum, mean, and minimum energy values—were extracted using a sliding window approach with varying overlap ratios (12.5%–87.5%). The SVM classifiers with Linear (L), RBF, and Quadratic kernels were used and, the highest performance was achieved in the theta band: accuracy 91.7%, sensitivity 91.4%, and F1 measure 91.6%, with SVM-L using maximum energy features. Method 2:This approach analyzed two EEG dataset from Iraq and Poland. Preprocessing involved noise removal (< 0.5 Hz and > 49 Hz to reject unwanted frequencies) and artifact subspace reconstruction. EEG channel power spectral density features and brain topography maps were processed using deep feature extractors (e.g., AlexNet, GoogLeNet). ANOVA was applied for feature selection, followed by classification using SVM and Linear Discriminant Analysis (LDA). The alpha band demonstrated the best performance. The mean accuracy reached 98% with an standard deviation (SD) of 2.3% (Iraq, GoogLeNet + ANOVA + SVM-L) and 96.5% with an SD of 3.6% (Poland, AlexNet-FC6 + ANOVA + SVM-L). Both methods highlight the potential of EEG based systems as cost-effective and accurate diagnostic tools, providing valuable decision-support for healthcare professionals in ASD diagnosis.

Geri Dön