Бул изилдөө электроэнцефалография (EEG) сигналдарынан алынган сандык өзгөчөлүктөрдү классикалык машиналык үйрөнүү жана үйүр интеллектине негизделген өзгөчөлүк тандоо аркылуу иштетип, аутизм спектриндеги чоңдор менен нейротиптик көзөмөл тобун айырмалоого жардам бере алабы деген суроону изилдейт. Изилдөөчүлөр University of Sheffield ачык EEG маалымат топтомундагы 56 чоң кишинин жазууларын колдонуп; 28 Autism Spectrum Conditions (ASC) катышуучусун 28 нейротиптик көзөмөл менен салыштырган.

EEG жазуулары алдын ала иштетилгенден кийин 2 секунддук, 0,5 секунд бири-бирин каптаган терезелерге бөлүнүп, ар бир электроддон 34 сандык өзгөчөлүк алынган. 63 электрод боюнча жалпысынан 2142 өзгөчөлүк түзүлгөн. Андан кийин изилдөөчүлөр үч өзүнчө маалымат көрсөтүлүшүн түзгөн: бардык 2142 өзгөчөлүк колдонулган баштапкы түзүлүш, Particle Swarm Optimization (PSO) менен 686 өзгөчөлүккө чейин кыскартылган түзүлүш жана evolutionary search менен болгону 20 өзгөчөлүк сакталган түзүлүш.

Баштапкы маалымат топтомунда эң жогорку окутуу/валидация тактыгы SVM-RBF модели менен %99,13 ± 0,44, PSOдон кийин %99,23 ± 0,38 жана evolutionary searchтен кийин Random Forest 500 менен %93,91 ± 1,10 деп билдирилген. Өзүнчө тест баскычында ошол эле үч ыкманын тактыгы тиешелүүлүгүнө жараша %94,77, %96,71 жана %95,44 болгон.

Натыйжалар EEG өзгөчөлүктөрү ASC жана нейротиптик топтордун ортосунда айырмалоочу маалымат алып жүрүшү мүмкүн экенин жана өзгөчөлүк тандоо жогорку өлчөмдүү маалыматты олуттуу азайтып жатып классификациянын натыйжалуулугун сактай аларын көрсөтөт. Бирок изилдөө болгону 56 чоң катышуучуга негизделген, көз карандысыз көп борборлуу тышкы валидацияны камтыбайт жана балдардагы эрте диагнозду түздөн-түз текшербейт. Ошондуктан ыкманы клиникалык аутизм диагнозун алмаштыруучу тастыкталган диагностикалык курал катары эмес, ири изилдөөлөр үчүн изилдөө мүнөзүндөгү EEG–машиналык үйрөнүү ыкмасы катары баалоо керек.

EEG эмне үчүн аутизм изилдөөлөрүндө колдонулушу мүмкүн?

Электроэнцефалография баш терисине жайгаштырылган электроддор аркылуу мээнин электрдик активдүүлүгүндөгү убакыттык өзгөрүүлөрдү өлчөйт. EEG түздөн-түз “аутизм сигналын” өлчөбөйт; ар түрдүү нейрон тармактарынын синхрондуу электрдик активдүүлүгүнөн турган татаал убакыт катарын түзөт.

Машиналык үйрөнүү жагынан суроо мындай:

ASC тобундагы EEG сигналдарынын статистикалык жана спектралдык түзүлүшүндө нейротиптик көзөмөлдөрдөн системалуу түрдө айырмалана турган үлгүлөр барбы?

Бул изилдөө чийки EEG сигналын түздөн-түз терең үйрөнүү моделине берүүнүн ордуна алгач түшүндүрүүгө боло турган сандык өзгөчөлүктөргө айландырып, андан кийин классикалык машиналык үйрөнүү алгоритмдерин колдонгон.

Изилдөөдө Кайсы EEG Маалыматтары Колдонулган?

Изилдөө University of Sheffield тарабынан жалпыга ачык берилген “Electrophysiological Signatures of Brain Aging in Autism Spectrum Disorder” EEG маалымат топтомун колдонот.

Жазуулардын көбүндө 64 сенсорлуу монтаж колдонулган. Айрым жазуулар 128 сенсорлуу болгондуктан талдоо үчүн бирдей форматка келтирилген.

Макаладагы “Эрте Аныктоо” Деген Сөз Балдарда Аутизмди Эрте Диагностикалоо Көрсөтүлгөнүн Билдиреби?

Жок. Колдонулган маалымат топтомундагы катышуучулар 18–68 жаштагы чоңдор. Изилдөө балдарда, ымыркайларда же али клиникалык диагноз коюла элек адамдарда проспективдүү эрте диагноз сыноосун жүргүзгөн эмес.

Ошондуктан макаланын аталышындагы “early detection” келечектеги максат жана методологиялык позициялоо контекстинде окулушу керек. Учурдагы эксперимент түздөн-түз көрсөтүп турган нерсе — алдын ала белгиленген чоңдордун ASC жана нейротиптик EEG жазууларын айрым машиналык үйрөнүү моделдери менен жогорку тактыкта классификациялоого болору.

Жетишпеген EEG Каналдары Кантип Толтурулган?

Маалымат топтомундагы негизги көйгөйлөрдүн бири — айрым EEG жазууларында электрод каналдарынын жетишсиз болушу.

Изилдөөчүлөр электроддордун баштагы геометриялык жайгашуусун колдонуп, каналдардын ортосундагы Евклид аралыкты эсептешкен:

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

Жетишпеген каналдын сигналы кийинчерээк бар болгон коңшу каналдардын аралыкка салмакталган салымдарынын негизинде бааланган.

Бул процесс жетишпеген электродду чыныгы өлчөө менен кайра калыбына келтирбейт. Жоголгон каналды анын айланасындагы бар сигналдардын негизинде математикалык жактан жакындатат.

EEG Сигналдары Кантип Өзгөчөлүктөргө Айландырылган?

Алдын ала иштетилген EEG сигналдары GNU Octave 8.2.0 колдонуу менен:

2 секунддук терезелерге

бөлүнгөн.

Ырааттуу терезелер:

0,5 секунд бири-бирин каптайт.

Ар бир терезеде ар бир электроддон 34 өзгөчөлүк алынган.

Статистикалык өзгөчөлүктөр

• орточо мааниси,
• дисперсия,
• стандарттык четтөө сыяктуу жалпылоочу өлчөмдөр.

Убакыт тармагындагы өзгөчөлүктөр

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

Жыштык жана маалымат өзгөчөлүктөрү

• орточо кубат,
• peak frequency,
• Shannon entropy.

63 электрод × 34 өзгөчөлүк:

\[ 63 \times 34 = 2142 \]

өлчөмүндөгү баштапкы өзгөчөлүк мейкиндигин түзгөн.

Particle Swarm Optimization Бул Жерде Эмне Кылат?

Particle Swarm Optimization (PSO), куштардын же балыктардын үйүрү сыяктуу жамааттык жүрүм-турумдан шыктанган популяцияга негизделген оптималдаштыруу ыкмасы.

Бул изилдөөдө PSOнун милдети ASDни түздөн-түз классификациялоо эмес.

PSO:

2142 EEG өзгөчөлүгүнүн ичинен классификация үчүн пайдалуураак чакан топтомду тандоо

үчүн колдонулган.

Натыйжада:

2142 → 686 өзгөчөлүк

калган учурда классификациянын натыйжалуулугу сакталып, ал тургай эң жакшы орточо тактык бир аз өскөн.

Evolutionary Search Эмнени Өзгөрттү?

Экинчи өзгөчөлүк тандоо ыкмасы evolutionary search болгон.

Бул ыкма өзгөчөлүк мейкиндигин кыйла агрессивдүү кыскарткан:

2142 → 20 өзгөчөлүк

Бул баштапкы өзгөчөлүктөрдүн болжол менен %1инен да азы сакталып калганын билдирет.

Мынчалык күчтүү өлчөм азайтуудан кийин эң жакшы орточо тактык %99 деңгээлинен болжол менен %94 деңгээлине төмөндөгөнү менен, болгону 20 өзгөчөлүк менен дагы эле жогорку классификация ийгилиги алынган.

Бул жыйынтык келечекте эсептөө чыгымы төмөнүрөөк системаларды иштеп чыгуу жагынан өзгөчө кызыктуу.

Кайсы Машиналык Үйрөнүү Моделдери Сыналган?

Изилдөөчүлөр ар түрдүү модель үй-бүлөлөрүн салыштырган:

• Bayes Net,
• Naive Bayes,
• Random Tree,
• Random Forest — 10 дарак,
• Random Forest — 100 дарак,
• Random Forest — 500 дарак,
• Linear SVM,
• Polynomial SVM даража 2,
• Polynomial SVM даража 3,
• ар түрдүү RBF жөндөөлөрү бар SVM моделдери.

Моделдерди окутуу жана баалоо WEKA 3.9.6 чөйрөсүндө жүргүзүлгөн.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Эксперименттик түзүлүш

Үч маалымат көрсөтүлүшүнүн ар бири:

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

үчүн машиналык үйрөнүү моделдери өз-өзүнчө окутулган.

Маалыматтар %80 окутуу/валидация жана %20 тест бөлүктөрүнө бөлүнгөн.

Окутуу баскычында:

• 10-fold cross-validation,
• 30 көз карандысыз кайталоо

колдонулган.

Натыйжалуулук:

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

менен бааланган.

Баштапкы 2142 өзгөчөлүктүү маалымат

Эң жогорку окутуу/валидация жыйынтыгы SVM-RBF модели менен алынган:

Random Forest 500 да %98,54 ± 0,54 тактыкка жеткен.

PSO менен 686 өзгөчөлүк

PSOдон кийин эң күчтүү модель SVM-RBF болгон:

Бул жыйынтык өзгөчө маанилүү, анткени өзгөчөлүктөрдүн саны:

2142ден 686га

төмөндөгөнүнө карабастан, натыйжалуулук азайган эмес.

Evolutionary search менен болгону 20 өзгөчөлүк

Бул маалымат топтомунда SVMдин ордуна Random Forest күчтүүрөөк жыйынтык берген.

Random Forest 500:

Демек, маалыматтын өлчөмү болжол менен эки миң өзгөчөлүктөн болгону жыйырмага чейин азайтылганына карабастан, классификация натыйжалуулугу толугу менен жоголгон эмес.

%99,23 Тактык Моделдин Клиникалык Натыйжалуулугубу?

Жок. %99,23 мааниси PSO менен өзгөчөлүк тандалган маалыматта 30 кайталоону жана 10-fold cross-validationды камтыган окутуу/валидация баскычынын орточо жыйынтыгы.

Акыркы бөлүнгөн тест маалыматында жыйынтык төмөнүрөөк.

Ошондуктан Verianla үчүн туура headline:

“PSO-SVM изилдөөнүн бөлүнгөн тест үлгүлөрүндө %96,71 тактыкка жетти.”

түрүндө болот.

PSO Эмне Үчүн Маанилүү Жыйынтык Берди?

PSO болгону чакан натыйжалуулук өсүшүн берген жок; анын негизги салымы маалыматтын өлчөмүн олуттуу кыскартуу болду.

Ошентип, изилдөө өзгөчөлүктөрдүн саны менен натыйжалуулуктун ортосунда үч башка иштөө чекитин көрсөтөт.

Бул Натыйжа EEG Аркылуу Аутизм Диагнозу Маселеси Чечилгенин Билдиреби?

Жок.

Изилдөө:

• 56 чоң катышуучуга негизделген,
• бир гана ачык маалымат булагын колдонот,
• эки класстуу ASC/нейротиптик белгилер менен иштейт,
• башка көз карандысыз оорукана же өлкө когортунда тышкы валидация жүргүзбөйт,
• ымыркайларда же балдарда эрте диагнозду текшербейт.

Ошондуктан жогорку классификация упайлары клиникалык ASD диагнозун EEG жана жасалма интеллект менен гана коюуга болорун далилдебейт.

Изилдөө колдогон тарыраак жыйынтык мындай:

Бул Sheffield чоңдорунун EEG маалымат топтомунан алынган өзгөчөлүктөр тандалган машиналык үйрөнүү моделдери үчүн ASC жана нейротиптик жазууларды айырмалай ала турган күчтүү статистикалык сигналды камтыйт.

Терезелерге Бөлүү Эмне Үчүн Жыйынтыктарды Түшүндүрүүдө Маанилүү?

Ар бир катышуучунун 150 секунддук EEG жазуусу көп сандагы 2 секунддук жана бири-бирин каптаган терезелерге бөлүнгөн.

Мунун маанилүү бир натыйжасы бар:

Машиналык үйрөнүү системасындагы үлгүлөрдүн саны 56 адамдан кыйла көп; бирок биологиялык жактан көз карандысыз адамдардын саны дагы эле 56.

Макала окутуу/тест бөлүнүшүн түшүндүрөт, бирок жарыяланган метод сүрөттөмөсүндө бардык терезелер катышуучунун идентификатору боюнча топтолуп бөлүнгөнү ачык көрсөтүлгөн эмес.

Ошондуктан келечектеги валидацияларда:

• participant-wise train/test split,
• leave-one-subject-out validation,
• көз карандысыз тышкы когорт,
• ар түрдүү EEG түзмөктөрү жана борборлору

өзгөчө маанилүү.

Бул методологиялык жагдай билдирилген маанилер туура эмес дегенди билдирбейт; алардын жаңы адамдарга канчалык деңгээлде жалпылана аларын азырынча так билбей турганыбызды көрсөтөт.

Изилдөөнүн Негизги Чектөөлөрү Кайсылар?

• Жалпы катышуучулардын саны болгону 56.
• Катышуучулар 18–68 жаштагы чоңдор; балдардагы эрте диагноз түздөн-түз текшерилген эмес.
• Бир борборлуу/ачык маалымат булагы колдонулган.
• ASC спектринин клиникалык гетерогендүүлүгү эки класстуу белги ичинде жөнөкөйлөштүрүлгөн.
• Көз карандысыз көп борборлуу тышкы валидация жок.
• EEG жазууларындагы жетишпеген каналдар математикалык интерполяция менен толтурулган.
• Электроддордун жайгашуусу менен жазуу түзүлүшүнүн ортосунда гетерогендүүлүк бар.
• Көп сандагы бири-бирин каптаган EEG терезелери көз карандысыз катышуучулардын санын көбөйтпөйт.
• Жарыяланган метод сүрөттөмөсүндө катышуучу-деңгээлдеги маалымат бөлүштүрүүнүн деталдары жетиштүү ачык эмес.
• Натыйжалар клиникалык диагностикалык курал катары проспективдүү түрдө текшерилген эмес.

2026-жылдагы Түзөтүү Макалада Эмнени Өзгөрттү?

20 Май 2026-жылы жарыяланган расмий Correction илимий ыкманы же жыйынтыктарды өзгөрткөн эмес.

Түзөтүү үч негизги кемчиликти жойгон:

1. Institutional Review Board билдирүүсү кошулган.
2. Informed Consent Statement кошулган.
3. University of Sheffield EEG маалымат топтомунун жетишпеген булак шилтемеси Database жана Data Availability бөлүмдөрүнө кошулган.

Түзөтүүгө ылайык, маалымат жалпыга ачык University of Sheffield ORDA репозиторийинен алынган; изилдөө жаңы маалымат чогулткан эмес жана адамды аныктоого боло турган жеке маалыматты колдонгон эмес. Баштапкы маалымат топтомунун изилдөөчүлөрү катышуучулардан маалымат бөлүшүүгө маалымдалган макулдук алган.

Басмачы жана авторлор түзөтүү изилдөөнүн илимий жыйынтыктарына таасир этпегенин билдиришкен.

Булак жана Ыкма Жөнүндө Эскертүү

Бул Verianla материалы Flávio Secco Fonseca жана кесиптештеринин 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 аттуу түпнуска изилдөөсү жана бул макала үчүн 2026-жылы жарыяланган расмий Correction чогуу каралып, өз алдынча даярдалган.

Түпнуска изилдөө AI Sensors журналында 2025-жылы, 1-том, 3-макала катары жарыяланган. DOI: 10.3390/aisens1010003.

Жүктөлгөн булак болсо түпнуска изилдөөнүн өзү эмес, AI Sensors 2026, 2-том, 5-макала катары жарыяланган расмий түзөтүү. Correction DOI: 10.3390/aisens2020005.

Түзөтүү IRB, informed consent жана колдонулган University of Sheffield EEG маалымат топтомунун шилтеме маалыматтарын кошуп, илимий жыйынтыктар өзгөрбөгөнүн билдирген.

Изилдөөдө University of Sheffield маалымат топтомундагы 56 чоң кишинин EEG жазуулары колдонулган. Топтор 28 Autism Spectrum Conditions жана 28 нейротиптик көзөмөлдөн турган.

EEG сигналдары алдын ала иштетүүдөн кийин 2 секунддук жана 0,5 секунд бири-бирин каптаган терезелерге бөлүнүп, ар бир электроддон 34 өзгөчөлүк алынган. 63 электроддон түзүлгөн 2142 өзгөчөлүк PSO менен 686га, evolutionary search менен 20га чейин кыскартылган.

Баштапкы жана PSO маалымат топтомдорунда эң ийгиликтүү окутуу/валидация моделдери SVM-RBF, evolutionary search маалымат топтомунда болсо Random Forest 500 болгон. Өзүнчө тест баскычында эң жогорку тактык %96,71 менен PSO-SVM ыкмасында алынган.

Бул маанилер көз карандысыз, көп борборлуу клиникалык диагноз тактыгы эмес. Үлгү чакан, катышуучулар чоңдор жана изилдөө балдардагы проспективдүү эрте ASD диагнозун тастыктаган эмес. Натыйжалар EEG негизиндеги өзгөчөлүктөрдү машиналык үйрөнүү менен изилдөө үчүн изилдөө мүнөзүндөгү далил катары бааланышы керек.

Изилдөө CNPq, FACEPE, CAPES жана FINEP тарабынан колдоого алынган. Correction боюнча талданган маалымат жалпыга ачык жана анонимдештирилген; баштапкы маалыматты бөлүшүү үчүн катышуучулардын макулдугу алынган.