Bu çalışma, elektroensefalografi (EEG) sinyallerinden çıkarılan sayısal özelliklerin klasik makine öğrenmesi ve sürü zekâsı tabanlı özellik seçimiyle işlenerek otizm spektrumundaki yetişkinlerle nörotipik kontrol grubunun ayrılmasına yardımcı olup olamayacağını araştırmaktadır. Araştırmacılar University of Sheffield açık EEG veri kümesindeki 56 yetişkinin kayıtlarını kullanmış; 28 Autism Spectrum Conditions (ASC) katılımcısını 28 nörotipik kontrolle karşılaştırmıştır.

EEG kayıtları ön işlendikten sonra 2 saniyelik, 0,5 saniye örtüşmeli pencerelere ayrılmış ve her elektrottan 34 sayısal özellik çıkarılmıştır. 63 elektrot üzerinden toplam 2142 özellik oluşmuştur. Araştırmacılar daha sonra üç ayrı veri temsili oluşturmuştur: bütün 2142 özelliğin kullanıldığı orijinal yapı, Particle Swarm Optimization (PSO) ile 686 özelliğe indirilen yapı ve evolutionary search ile yalnız 20 özelliğin tutulduğu yapı.

Orijinal veri setinde en yüksek eğitim/doğrulama doğruluğu SVM-RBF modeliyle %99,13 ± 0,44, PSO sonrasında %99,23 ± 0,38 ve evolutionary search sonrasında Random Forest 500 ile %93,91 ± 1,10 olarak raporlanmıştır. Ayrı test aşamasında aynı üç yaklaşımın doğrulukları sırasıyla %94,77, %96,71 ve %95,44 olmuştur.

Sonuçlar EEG özelliklerinin ASC ve nörotipik gruplar arasında ayırt edici bilgi taşıyabileceğini ve özellik seçiminin yüksek boyutlu veriyi ciddi biçimde azaltırken sınıflandırma performansını koruyabileceğini düşündürmektedir. Ancak çalışma yalnız 56 yetişkin katılımcıya dayanır, bağımsız çok merkezli dış doğrulama içermez ve çocuklarda erken tanıyı doğrudan test etmez. Bu nedenle yöntem klinik otizm tanısının yerine geçen doğrulanmış bir tanı aracı olarak değil, daha büyük araştırmalar için keşifsel bir EEG–makine öğrenmesi yaklaşımı olarak değerlendirilmelidir.

EEG neden otizm araştırmalarında kullanılabilir?

Elektroensefalografi, kafa derisine yerleştirilen elektrotlarla beynin elektriksel aktivitesindeki zamansal değişimleri ölçer. EEG doğrudan “otizm sinyali” ölçmez; farklı nöral ağların eşzamanlı elektriksel aktivitesinden oluşan karmaşık bir zaman serisi üretir.

Makine öğrenmesi açısından soru şudur:

ASC grubundaki EEG sinyallerinin istatistiksel ve spektral yapısında, nörotipik kontrollerden sistematik olarak ayrılabilecek örüntüler var mı?

Bu çalışma ham EEG sinyalini doğrudan derin öğrenme modeline vermek yerine önce açıklanabilir sayısal özelliklere dönüştürmüş, ardından klasik makine öğrenmesi algoritmalarını kullanmıştır.

Çalışmada Hangi EEG Verileri Kullanıldı?

Çalışma University of Sheffield tarafından kamuya açık olarak sağlanan “Electrophysiological Signatures of Brain Aging in Autism Spectrum Disorder” EEG veri kümesini kullanmaktadır.

Kayıtların çoğunda 64 sensörlü montaj kullanılmıştır. Bazı kayıtlar 128 sensörlü olduğundan analiz için tutarlı hale getirilmiştir.

Makaledeki “Erken Tanı” İfadesi Çocuklarda Erken Otizm Tanısının Gösterildiği Anlamına mı Geliyor?

Hayır. Kullanılan veri kümesindeki katılımcılar 18–68 yaş arasındaki yetişkinlerdir. Çalışma çocuklar, bebekler veya henüz klinik tanı almamış bireylerde prospektif erken tanı deneyi yapmamıştır.

Bu nedenle makalenin başlığındaki “early detection” gelecekteki hedef ve yöntemsel konumlandırma bağlamında okunmalıdır. Mevcut deneyin doğrudan gösterdiği şey, önceden etiketlenmiş yetişkin ASC ve nörotipik EEG kayıtlarının belirli makine öğrenmesi modelleriyle yüksek doğrulukta sınıflandırılabilmesidir.

Eksik EEG Kanalları Nasıl Tamamlandı?

Veri kümesindeki temel problemlerden biri bazı EEG kayıtlarında elektrot kanallarının eksik olmasıdır.

Araştırmacılar elektrotların kafa üzerindeki geometrik konumlarını kullanarak kanallar arasındaki Öklid uzaklığını hesaplamıştır:

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

Eksik kanalın sinyali daha sonra mevcut komşu kanalların uzaklık-ağırlıklı katkılarından tahmin edilmiştir.

Bu işlem, eksik elektrodu gerçek ölçümle geri getirmez. Kayıp kanalı çevresindeki mevcut sinyallere göre matematiksel olarak yaklaşıklar.

EEG Sinyalleri Nasıl Özelliklere Dönüştürüldü?

Ön işlenmiş EEG sinyalleri GNU Octave 8.2.0 kullanılarak:

2 saniyelik pencerelere

ayrılmıştır.

Ardışık pencereler:

0,5 saniye örtüşmektedir.

Her pencerede her elektrottan 34 özellik çıkarılmıştır.

İstatistiksel özellikler

• ortalama,
• varyans,
• standart sapma gibi özet ölçüler.

Zaman alanı özellikleri

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

Frekans ve bilgi özellikleri

• ortalama güç,
• peak frequency,
• Shannon entropy.

63 elektrot × 34 özellik:

\[ 63 \times 34 = 2142 \]

boyutlu başlangıç özellik uzayı oluşturmuştur.

Particle Swarm Optimization Burada Ne Yapıyor?

Particle Swarm Optimization (PSO), kuş sürüsü veya balık sürüsü gibi kolektif davranışlardan esinlenen popülasyon tabanlı bir optimizasyon yöntemidir.

Bu çalışmada PSO'nun görevi ASD'yi doğrudan sınıflandırmak değildir.

PSO:

2142 EEG özelliği içinden sınıflandırma açısından daha yararlı alt kümeyi seçmek

için kullanılmıştır.

Sonuçta:

2142 → 686 özellik

kalırken sınıflandırma performansı korunmuş, hatta en iyi ortalama doğruluk küçük ölçüde yükselmiştir.

Evolutionary Search Neyi Değiştirdi?

İkinci özellik seçimi yaklaşımı evolutionary search olmuştur.

Bu yöntem özellik uzayını çok daha agresif biçimde küçültmüştür:

2142 → 20 özellik

Bu yaklaşık olarak başlangıç özelliklerinin %1'inden daha azının korunması anlamına gelir.

Bu kadar güçlü boyut azaltma sonucunda en iyi ortalama doğruluk %99 düzeyinden yaklaşık %94 düzeyine düşmüş olsa da yalnız 20 özellikle hâlâ yüksek sınıflandırma başarısı elde edilmiştir.

Bu sonuç özellikle gelecekte daha düşük hesaplama maliyetli sistemler geliştirmek açısından ilgi çekicidir.

Hangi Makine Öğrenmesi Modelleri Test Edildi?

Araştırmacılar farklı model ailelerini karşılaştırmıştır:

• Bayes Net,
• Naive Bayes,
• Random Tree,
• Random Forest — 10 ağaç,
• Random Forest — 100 ağaç,
• Random Forest — 500 ağaç,
• Linear SVM,
• Polynomial SVM derece 2,
• Polynomial SVM derece 3,
• farklı RBF ayarlarına sahip SVM modelleri.

Model eğitim ve değerlendirmesi WEKA 3.9.6 ortamında gerçekleştirilmiştir.

Çalışmanın Yöntemi ve Bulguları

Deney düzeni

Her üç veri temsili:

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

için makine öğrenmesi modelleri ayrı ayrı eğitilmiştir.

Veriler %80 eğitim/doğrulama ve %20 test bölümlerine ayrılmıştır.

Eğitim aşamasında:

• 10-fold cross-validation,
• 30 bağımsız tekrar

kullanılmıştır.

Performans:

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

ile değerlendirilmiştir.

Orijinal 2142 özellikli veri

En yüksek eğitim/doğrulama sonucu SVM-RBF modeliyle elde edilmiştir:

Random Forest 500 de %98,54 ± 0,54 doğruluk elde etmiştir.

PSO ile 686 özellik

PSO sonrasında en güçlü model SVM-RBF olmuştur:

Bu sonuç özellikle önemlidir çünkü özellik sayısı:

2142'den 686'ya

düşmesine rağmen performans azalmamıştır.

Evolutionary search ile yalnız 20 özellik

Bu veri setinde SVM yerine Random Forest daha güçlü sonuç vermiştir.

Random Forest 500:

Dolayısıyla veri boyutu yaklaşık iki bin özellikten yalnız yirmiye düşürülmesine rağmen sınıflandırma performansı tamamen kaybolmamıştır.

%99,23 Doğruluk Modelin Klinik Performansı mı?

Hayır. %99,23 değeri PSO ile özellik seçimi yapılmış veri üzerinde 30 tekrar ve 10-fold cross-validation içeren eğitim/doğrulama aşamasının ortalama sonucudur.

Nihai ayrılmış test verisinde sonuç daha düşüktür.

Bu nedenle Verianla açısından doğru headline:

“PSO-SVM, çalışmanın ayrılmış test örneklerinde %96,71 doğruluk sağladı.”

şeklindedir.

PSO Neden Önemli Bir Sonuç Verdi?

PSO yalnız küçük bir performans artışı üretmemiştir; esas katkısı veri boyutunu ciddi ölçüde azaltmasıdır.

Böylece çalışma özellik sayısı ile performans arasında üç farklı çalışma noktası göstermektedir.

Bu Sonuç EEG'den Otizm Tanısının Çözüldüğü Anlamına mı Geliyor?

Hayır.

Çalışma:

• 56 yetişkin katılımcıya dayanır,
• tek bir açık veri kaynağını kullanır,
• iki sınıflı ASC/nörotipik etiketlerle çalışır,
• bağımsız başka hastane veya ülke kohortunda dış doğrulama yapmaz,
• bebek veya çocuklarda erken tanıyı test etmez.

Dolayısıyla yüksek sınıflandırma skorları klinik ASD tanısının EEG ve yapay zekâyla tek başına yapılabileceğini kanıtlamaz.

Çalışmanın desteklediği daha dar sonuç şudur:

Bu Sheffield yetişkin EEG veri kümesinde çıkarılan özellikler, seçilen makine öğrenmesi modelleri için ASC ve nörotipik kayıtları ayırabilecek güçlü istatistiksel sinyal taşımaktadır.

Pencereleme Neden Sonuçların Yorumunda Önemli?

Her katılımcının 150 saniyelik EEG kaydı çok sayıda 2 saniyelik ve birbirleriyle örtüşen pencereye bölünmüştür.

Bunun önemli bir sonucu vardır:

Makine öğrenmesi sistemindeki örnek sayısı 56 kişiden çok daha fazladır; ancak biyolojik olarak bağımsız kişi sayısı yine 56'dır.

Makale eğitim/test ayırımını açıklamakta, ancak yayımlanan yöntem açıklamasında bütün pencerelerin katılımcı kimliğine göre grup halinde ayrıldığını açık biçimde göstermemektedir.

Bu nedenle gelecekteki doğrulamalarda:

• participant-wise train/test split,
• leave-one-subject-out validation,
• bağımsız dış kohort,
• farklı EEG cihazları ve merkezleri

özellikle önem taşımaktadır.

Bu metodolojik nokta, raporlanan değerlerin yanlış olduğunu söylemez; değerlerin yeni kişilerde ne ölçüde genellenebileceğini henüz kesin olarak bilmediğimizi gösterir.

Çalışmanın Temel Sınırlılıkları Nelerdir?

• Toplam katılımcı sayısı yalnız 56'dır.
• Katılımcılar 18–68 yaş arasındaki yetişkinlerdir; çocuklarda erken tanı doğrudan test edilmemiştir.
• Tek merkezli/açık veri kaynağı kullanılmıştır.
• ASC spektrumunun klinik heterojenliği iki sınıflı etiket içinde basitleştirilmiştir.
• Bağımsız çok merkezli dış doğrulama bulunmamaktadır.
• EEG kayıtlarında eksik kanallar matematiksel olarak interpolasyonla tamamlanmıştır.
• Elektrot yerleşimi ve kayıt düzeni arasında heterojenlik bulunmaktadır.
• Çok sayıda örtüşen EEG penceresi bağımsız katılımcı sayısını artırmaz.
• Yayımlanan yöntem açıklamasında katılımcı-düzeyi veri ayrımının ayrıntısı yeterince açık değildir.
• Sonuçlar klinik tanı aracı olarak prospektif biçimde test edilmemiştir.

2026 Düzeltmesi Makalede Neyi Değiştirdi?

20 Mayıs 2026 tarihinde yayımlanan resmi Correction bilimsel yöntem veya sonuçları değiştirmemiştir.

Düzeltme üç temel eksikliği gidermiştir:

1. Institutional Review Board açıklaması eklenmiştir.
2. Informed Consent Statement eklenmiştir.
3. University of Sheffield EEG veri kümesinin eksik kaynak atfı Database ve Data Availability bölümlerine eklenmiştir.

Düzeltmeye göre veri kamuya açık University of Sheffield ORDA deposundan alınmış; çalışma yeni veri toplamamış ve tanımlanabilir kişisel bilgi kullanmamıştır. Orijinal veri kümesinin araştırmacıları katılımcılardan veri paylaşımı için bilgilendirilmiş onam almıştır.

Yayıncı ve yazarlar düzeltmenin çalışmanın bilimsel sonuçlarını etkilemediğini belirtmiştir.

Kaynak ve Yöntem Notu

Bu Verianla içeriği, Flávio Secco Fonseca ve çalışma arkadaşlarının 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 başlıklı özgün çalışması ile bu makale için 2026 yılında yayımlanan resmi Correction birlikte değerlendirilerek bağımsız biçimde hazırlanmıştır.

Özgün çalışma AI Sensors dergisinde 2025 yılında Cilt 1, Makale 3 olarak yayımlanmıştır. DOI: 10.3390/aisens1010003.

Yüklenen kaynak ise özgün araştırmanın kendisi değil, AI Sensors 2026, Cilt 2, Makale 5 olarak yayımlanan resmi düzeltmedir. Correction DOI: 10.3390/aisens2020005.

Düzeltme IRB, informed consent ve kullanılan University of Sheffield EEG veri setinin atıf bilgilerini eklemiş, bilimsel sonuçların değişmediğini bildirmiştir.

Çalışmada University of Sheffield veri kümesindeki 56 yetişkinin EEG kayıtları kullanılmıştır. Gruplar 28 Autism Spectrum Conditions ve 28 nörotipik kontrolden oluşmaktadır.

EEG sinyalleri ön işleme sonrasında 2 saniyelik ve 0,5 saniye örtüşmeli pencerelere ayrılmış, her elektrottan 34 özellik çıkarılmıştır. 63 elektrot üzerinden oluşan 2142 özellik; PSO ile 686 ve evolutionary search ile 20 özelliğe indirgenmiştir.

Orijinal ve PSO veri kümelerinde en başarılı eğitim/doğrulama modelleri SVM-RBF, evolutionary search veri setinde ise Random Forest 500 olmuştur. Ayrı test aşamasında en yüksek doğruluk %96,71 ile PSO-SVM yaklaşımında elde edilmiştir.

Bu değerler bağımsız, çok merkezli klinik tanı doğruluğu değildir. Örneklem küçüktür, katılımcılar yetişkindir ve çalışma çocuklarda prospektif erken ASD tanısını doğrulamamıştır. Sonuçlar EEG tabanlı özelliklerin makine öğrenmesiyle araştırılması için keşifsel kanıt olarak değerlendirilmelidir.

Araştırma CNPq, FACEPE, CAPES ve FINEP tarafından desteklenmiştir. Correction'a göre analiz edilen veri kamuya açık ve anonimleştirilmiştir; orijinal veri paylaşımı için katılımcı onamı alınmıştır.