Bu tədqiqat elektroensefaloqrafiya (EEG) siqnallarından çıxarılan rəqəmsal xüsusiyyətlərin klassik maşın öyrənməsi və sürü zəkasına əsaslanan xüsusiyyət seçimi ilə işlənərək autizm spektrində olan yetkinlərlə neyrotipik nəzarət qrupunu ayırmağa kömək edib-etmədiyini araşdırır. Tədqiqatçılar University of Sheffield-in açıq EEG məlumat dəstindəki 56 yetkinin qeydlərindən istifadə etmiş; 28 Autism Spectrum Conditions (ASC) iştirakçısını 28 neyrotipik nəzarətlə müqayisə etmişlər.

EEG qeydləri ilkin emaldan sonra 2 saniyəlik, 0,5 saniyə üst-üstə düşən pəncərələrə bölünmüş və hər elektroddan 34 rəqəmsal xüsusiyyət çıxarılmışdır. 63 elektrod üzrə ümumilikdə 2142 xüsusiyyət yaranmışdır. Tədqiqatçılar daha sonra üç ayrı məlumat təsviri yaratmışdır: bütün 2142 xüsusiyyətin istifadə edildiyi ilkin quruluş, Particle Swarm Optimization (PSO) ilə 686 xüsusiyyətə endirilmiş quruluş və evolutionary search ilə yalnız 20 xüsusiyyətin saxlandığı quruluş.

İlkin məlumat dəstində ən yüksək təlim/validasiya dəqiqliyi SVM-RBF modeli ilə %99,13 ± 0,44, PSO-dan sonra %99,23 ± 0,38 və evolutionary search-dən sonra Random Forest 500 ilə %93,91 ± 1,10 olaraq bildirilmişdir. Ayrı test mərhələsində eyni üç yanaşmanın dəqiqlikləri müvafiq olaraq %94,77, %96,71 və %95,44 olmuşdur.

Nəticələr EEG xüsusiyyətlərinin ASC və neyrotipik qruplar arasında ayırdedici məlumat daşıya biləcəyini və xüsusiyyət seçiminin yüksəkölçülü məlumatı ciddi şəkildə azaldarkən təsnifat performansını qoruya biləcəyini göstərir. Lakin tədqiqat yalnız 56 yetkin iştirakçıya əsaslanır, müstəqil çoxmərkəzli xarici doğrulama ehtiva etmir və uşaqlarda erkən diaqnostikanı birbaşa sınaqdan keçirmir. Buna görə metod klinik autizm diaqnozunu əvəz edən təsdiqlənmiş diaqnostik alət kimi deyil, daha böyük tədqiqatlar üçün kəşfiyyat xarakterli EEG–maşın öyrənməsi yanaşması kimi qiymətləndirilməlidir.

EEG niyə autizm tədqiqatlarında istifadə oluna bilər?

Elektroensefaloqrafiya baş dərisinə yerləşdirilən elektrodlarla beynin elektrik aktivliyindəki zaman dəyişikliklərini ölçür. EEG birbaşa “autizm siqnalı” ölçmür; müxtəlif neyron şəbəkələrinin sinxron elektrik aktivliyindən ibarət mürəkkəb zaman sırası yaradır.

Maşın öyrənməsi baxımından sual budur:

ASC qrupundakı EEG siqnallarının statistik və spektral strukturunda neyrotipik nəzarətlərdən sistematik şəkildə fərqləndirilə bilən nümunələr varmı?

Bu tədqiqat xam EEG siqnalını birbaşa dərin öyrənmə modelinə vermək əvəzinə əvvəlcə izah edilə bilən rəqəmsal xüsusiyyətlərə çevirmiş, sonra klassik maşın öyrənməsi alqoritmlərindən istifadə etmişdir.

Tədqiqatda Hansı EEG Məlumatlarından İstifadə Edildi?

Tədqiqat University of Sheffield tərəfindən açıq şəkildə təqdim olunan “Electrophysiological Signatures of Brain Aging in Autism Spectrum Disorder” EEG məlumat dəstindən istifadə edir.

Qeydlərin çoxunda 64 sensorlu montajdan istifadə edilmişdir. Bəzi qeydlər 128 sensorlu olduğuna görə analiz üçün uyğunlaşdırılmışdır.

Məqalədəki “Erkən Aşkarlama” İfadəsi Uşaqlarda Erkən Autizm Diaqnostikasının Göstərildiyi Mənasına Gəlirmi?

Xeyr. İstifadə olunan məlumat dəstində iştirakçılar 18–68 yaş arası yetkinlərdir. Tədqiqat uşaqlarda, körpələrdə və ya hələ klinik diaqnoz almamış şəxslərdə prospektiv erkən diaqnostika sınağı aparmamışdır.

Buna görə məqalənin başlığındakı “early detection” gələcək hədəf və metodoloji mövqeləndirmə kontekstində oxunmalıdır. Mövcud eksperimentin birbaşa göstərdiyi odur ki, əvvəlcədən etiketlənmiş yetkin ASC və neyrotipik EEG qeydləri müəyyən maşın öyrənməsi modelləri ilə yüksək dəqiqliklə təsnif edilə bilər.

Çatışmayan EEG Kanalları Necə Tamamlandı?

Məlumat dəstindəki əsas problemlərdən biri bəzi EEG qeydlərində elektrod kanallarının çatışmamasıdır.

Tədqiqatçılar elektrodların baş üzərindəki həndəsi mövqelərindən istifadə edərək kanallar arasındakı Evklid məsafəsini hesablamışdır:

\[ d_{ab}= \sqrt{(X_2-X_1)^2+(Y_2-Y_1)^2} \]

Çatışmayan kanalın siqnalı daha sonra mövcud qonşu kanalların məsafə-ağırlıqlı töhfələrindən təxmin edilmişdir.

Bu əməliyyat çatışmayan elektrodu real ölçmə ilə geri qaytarmır. İtmiş kanalı ətrafındakı mövcud siqnallara əsasən riyazi şəkildə yaxınlaşdırır.

EEG Siqnalları Necə Xüsusiyyətlərə Çevrildi?

İlkin emal olunmuş EEG siqnalları GNU Octave 8.2.0 istifadə edilərək:

2 saniyəlik pəncərələrə

bölünmüşdür.

Ardıcıl pəncərələr:

0,5 saniyə üst-üstə düşür.

Hər pəncərədə hər elektroddan 34 xüsusiyyət çıxarılmışdır.

Statistik xüsusiyyətlər

• orta qiymət,
• dispersiya,
• standart sapma kimi ümumiləşdirici ölçülər.

Zaman sahəsi xüsusiyyətləri

• waveform length,
• zero crossing,
• Hjorth parametrləri.

Tezlik və informasiya xüsusiyyətləri

• orta güc,
• peak frequency,
• Shannon entropy.

63 elektrod × 34 xüsusiyyət:

\[ 63 \times 34 = 2142 \]

ölçülü ilkin xüsusiyyət fəzasını yaratmışdır.

Particle Swarm Optimization Burada Nə Edir?

Particle Swarm Optimization (PSO), quş sürüsü və ya balıq sürüsü kimi kollektiv davranışlardan ilhamlanan populyasiya əsaslı optimizasiya metodudur.

Bu tədqiqatda PSO-nun vəzifəsi ASD-ni birbaşa təsnif etmək deyil.

PSO:

2142 EEG xüsusiyyəti içindən təsnifat baxımından daha faydalı alt çoxluğu seçmək

üçün istifadə edilmişdir.

Nəticədə:

2142 → 686 xüsusiyyət

qalarkən təsnifat performansı qorunmuş, hətta ən yaxşı orta dəqiqlik cüzi artmışdır.

Evolutionary Search Nəyi Dəyişdirdi?

İkinci xüsusiyyət seçimi yanaşması evolutionary search olmuşdur.

Bu metod xüsusiyyət fəzasını daha aqressiv şəkildə kiçiltmişdir:

2142 → 20 xüsusiyyət

Bu, təxminən ilkin xüsusiyyətlərin %1-dən də azının saxlanması deməkdir.

Belə güclü ölçü azaldılmasından sonra ən yaxşı orta dəqiqlik %99 səviyyəsindən təxminən %94 səviyyəsinə düşsə də, cəmi 20 xüsusiyyətlə hələ də yüksək təsnifat uğuru əldə edilmişdir.

Bu nəticə xüsusilə gələcəkdə daha aşağı hesablama xərcli sistemlərin hazırlanması baxımından maraqlıdır.

Hansı Maşın Öyrənməsi Modelləri Sınaqdan Keçirildi?

Tədqiqatçılar müxtəlif model ailələrini müqayisə etmişdir:

• Bayes Net,
• Naive Bayes,
• Random Tree,
• Random Forest — 10 ağac,
• Random Forest — 100 ağac,
• Random Forest — 500 ağac,
• Linear SVM,
• Polynomial SVM dərəcə 2,
• Polynomial SVM dərəcə 3,
• müxtəlif RBF parametrlərinə malik SVM modelləri.

Model təlimi və qiymətləndirilməsi WEKA 3.9.6 mühitində həyata keçirilmişdir.

Tədqiqatın Metodu və Nəticələri

Eksperiment quruluşu

Hər üç məlumat təsviri:

1. orijinal,
2. PSO,
3. evolutionary search

üçün maşın öyrənməsi modelləri ayrıca təlim edilmişdir.

Məlumatlar %80 təlim/validasiya və %20 test hissələrinə ayrılmışdır.

Təlim mərhələsində:

• 10-fold cross-validation,
• 30 müstəqil təkrar

istifadə edilmişdir.

Performans:

• Accuracy,
• Kappa statistic,
• Sensitivity,
• Specificity,
• AUC

ilə qiymətləndirilmişdir.

Orijinal 2142 xüsusiyyətli məlumat

Ən yüksək təlim/validasiya nəticəsi SVM-RBF modeli ilə əldə edilmişdir:

Random Forest 500 də %98,54 ± 0,54 dəqiqlik əldə etmişdir.

PSO ilə 686 xüsusiyyət

PSO-dan sonra ən güclü model SVM-RBF olmuşdur:

Bu nəticə xüsusilə vacibdir, çünki xüsusiyyət sayı:

2142-dən 686-ya

düşməsinə baxmayaraq performans azalmamışdır.

Evolutionary search ilə yalnız 20 xüsusiyyət

Bu məlumat dəstində SVM əvəzinə Random Forest daha güclü nəticə vermişdir.

Random Forest 500:

Beləliklə, məlumat ölçüsü təxminən iki min xüsusiyyətdən cəmi iyirmiyə endirilsə də, təsnifat performansı tamamilə itməmişdir.

%99,23 Dəqiqlik Modelin Klinik Performansıdırmı?

Xeyr. %99,23 dəyəri PSO ilə xüsusiyyət seçimi aparılmış məlumat üzərində 30 təkrar və 10-fold cross-validation daxil olan təlim/validasiya mərhələsinin orta nəticəsidir.

Son ayrılmış test məlumatında nəticə daha aşağıdır.

Buna görə Verianla baxımından düzgün headline:

“PSO-SVM, tədqiqatın ayrılmış test nümunələrində %96,71 dəqiqlik təmin etdi.”

şəklindədir.

PSO Niyə Vacib Nəticə Verdi?

PSO yalnız kiçik performans artımı yaratmamışdır; əsas töhfəsi məlumat ölçüsünü ciddi şəkildə azaltmasıdır.

Beləliklə, tədqiqat xüsusiyyət sayı ilə performans arasında üç fərqli iş nöqtəsi göstərir.

Bu Nəticə EEG-dən Autizm Diaqnostikasının Həll Edildiyi Mənasına Gəlirmi?

Xeyr.

Tədqiqat:

• 56 yetkin iştirakçıya əsaslanır,
• yalnız bir açıq məlumat mənbəyindən istifadə edir,
• iki sinifli ASC/neyrotipik etiketlərlə işləyir,
• müstəqil başqa xəstəxana və ya ölkə kohortunda xarici doğrulama aparmır,
• körpə və ya uşaqlarda erkən diaqnostikanı sınaqdan keçirmir.

Buna görə yüksək təsnifat balları klinik ASD diaqnostikasının yalnız EEG və süni intellektlə aparıla biləcəyini sübut etmir.

Tədqiqatın dəstəklədiyi daha məhdud nəticə budur:

Bu Sheffield yetkin EEG məlumat dəstindən çıxarılan xüsusiyyətlər seçilmiş maşın öyrənməsi modelləri üçün ASC və neyrotipik qeydləri ayıra biləcək güclü statistik siqnal daşıyır.

Pəncərələmə Niyə Nəticələrin Şərhində Vacibdir?

Hər iştirakçının 150 saniyəlik EEG qeydi çox sayda 2 saniyəlik və bir-biri ilə üst-üstə düşən pəncərələrə bölünmüşdür.

Bunun vacib bir nəticəsi var:

Maşın öyrənməsi sistemindəki nümunələrin sayı 56 nəfərdən xeyli çoxdur; lakin bioloji baxımdan müstəqil şəxslərin sayı yenə 56-dır.

Məqalə təlim/test bölgüsünü izah edir, lakin dərc olunmuş metod təsvirində bütün pəncərələrin iştirakçı kimliyinə görə qrup şəklində ayrıldığını açıq şəkildə göstərmir.

Buna görə gələcək doğrulamalarda:

• participant-wise train/test split,
• leave-one-subject-out validation,
• müstəqil xarici kohort,
• müxtəlif EEG cihazları və mərkəzləri

xüsusilə vacibdir.

Bu metodoloji məqam bildirilən dəyərlərin səhv olduğunu demir; dəyərlərin yeni şəxslərə nə dərəcədə ümumiləşdirilə biləcəyini hələ dəqiq bilmədiyimizi göstərir.

Tədqiqatın Əsas Məhdudiyyətləri Nələrdir?

• Ümumi iştirakçı sayı yalnız 56-dır.
• İştirakçılar 18–68 yaş arası yetkinlərdir; uşaqlarda erkən diaqnostika birbaşa sınaqdan keçirilməmişdir.
• Tək mərkəzli/açıq məlumat mənbəyindən istifadə edilmişdir.
• ASC spektrinin klinik heterogenliyi iki sinifli etiket daxilində sadələşdirilmişdir.
• Müstəqil çoxmərkəzli xarici doğrulama yoxdur.
• EEG qeydlərində çatışmayan kanallar riyazi olaraq interpolyasiya ilə tamamlanmışdır.
• Elektrod yerləşimi və qeyd quruluşu arasında heterogenlik var.
• Çox sayda üst-üstə düşən EEG pəncərəsi müstəqil iştirakçı sayını artırmır.
• Dərc olunmuş metod təsvirində iştirakçı-səviyyəli məlumat bölgüsünün təfərrüatı kifayət qədər aydın deyil.
• Nəticələr klinik diaqnostik alət kimi prospektiv şəkildə sınaqdan keçirilməmişdir.

2026 Düzəlişi Məqalədə Nəyi Dəyişdirdi?

20 May 2026 tarixində dərc olunan rəsmi Correction elmi metodu və ya nəticələri dəyişdirməmişdir.

Düzəliş üç əsas çatışmazlığı aradan qaldırmışdır:

1. Institutional Review Board açıqlaması əlavə edilmişdir.
2. Informed Consent Statement əlavə edilmişdir.
3. University of Sheffield EEG məlumat dəstinin çatışmayan mənbə istinadı Database və Data Availability bölmələrinə əlavə edilmişdir.

Düzəlişə görə məlumat açıq University of Sheffield ORDA deposundan götürülmüş; tədqiqat yeni məlumat toplamamış və identifikasiya oluna bilən şəxsi məlumatdan istifadə etməmişdir. Orijinal məlumat dəstinin tədqiqatçıları iştirakçılardan məlumat paylaşımı üçün məlumatlandırılmış razılıq almışdır.

Nəşriyyatçı və müəlliflər düzəlişin tədqiqatın elmi nəticələrinə təsir etmədiyini bildirmişdir.

Mənbə və Metod Qeydi

Bu Verianla məzmunu Flávio Secco Fonseca və həmkarlarının Supporting ASD Diagnosis with EEG, ML and Swarm Intelligence: Early Detection of Autism Spectrum Disorder Based on Electroencephalography Analysis by Machine Learning and Swarm Intelligence adlı orijinal tədqiqatı ilə bu məqalə üçün 2026-cı ildə dərc olunmuş rəsmi Correction birlikdə qiymətləndirilərək müstəqil şəkildə hazırlanmışdır.

Orijinal tədqiqat AI Sensors jurnalında 2025-ci ildə Cild 1, Məqalə 3 olaraq dərc edilmişdir. DOI: 10.3390/aisens1010003.

Yüklənmiş mənbə isə orijinal tədqiqatın özü deyil, AI Sensors 2026, Cild 2, Məqalə 5 olaraq dərc olunmuş rəsmi düzəlişdir. Correction DOI: 10.3390/aisens2020005.

Düzəliş IRB, informed consent və istifadə olunan University of Sheffield EEG məlumat dəstinin istinad məlumatlarını əlavə etmiş, elmi nəticələrin dəyişmədiyini bildirmişdir.

Tədqiqatda University of Sheffield məlumat dəstindəki 56 yetkinin EEG qeydlərindən istifadə edilmişdir. Qruplar 28 Autism Spectrum Conditions və 28 neyrotipik nəzarətdən ibarətdir.

EEG siqnalları ilkin emaldan sonra 2 saniyəlik və 0,5 saniyə üst-üstə düşən pəncərələrə bölünmüş, hər elektroddan 34 xüsusiyyət çıxarılmışdır. 63 elektroddan yaranan 2142 xüsusiyyət; PSO ilə 686 və evolutionary search ilə 20 xüsusiyyətə endirilmişdir.

Orijinal və PSO məlumat dəstlərində ən uğurlu təlim/validasiya modelləri SVM-RBF, evolutionary search məlumat dəstində isə Random Forest 500 olmuşdur. Ayrı test mərhələsində ən yüksək dəqiqlik %96,71 ilə PSO-SVM yanaşmasında əldə edilmişdir.

Bu dəyərlər müstəqil, çoxmərkəzli klinik diaqnostika dəqiqliyi deyil. Nümunə kiçikdir, iştirakçılar yetkindir və tədqiqat uşaqlarda prospektiv erkən ASD diaqnostikasını doğrulamamışdır. Nəticələr EEG əsaslı xüsusiyyətlərin maşın öyrənməsi ilə araşdırılması üçün kəşfiyyat xarakterli sübut kimi qiymətləndirilməlidir.

Tədqiqat CNPq, FACEPE, CAPES və FINEP tərəfindən dəstəklənmişdir. Correction-a görə analiz edilən məlumat açıq və anonimləşdirilmişdir; orijinal məlumat paylaşımı üçün iştirakçı razılığı alınmışdır.