Utafiti huu unachunguza kama vipengele vya nambari vilivyotolewa kutoka kwenye ishara za elektroensefalografia (EEG), vikichakatwa kwa ujifunzaji wa mashine wa kawaida na uteuzi wa vipengele unaotegemea akili ya kundi, vinaweza kusaidia kutofautisha watu wazima walio katika wigo wa usonji na kundi la udhibiti la watu wa aina ya neva ya kawaida. Watafiti walitumia rekodi za watu wazima 56 kutoka kwenye seti ya data ya EEG ya wazi ya University of Sheffield; wakalinganisha washiriki 28 wa Autism Spectrum Conditions (ASC) na watu 28 wa udhibiti wa aina ya neva ya kawaida.

Baada ya rekodi za EEG kufanyiwa uchakataji wa awali, ziligawanywa katika madirisha ya sekunde 2 yanayopishana kwa sekunde 0,5, na vipengele 34 vya nambari vilitolewa kutoka kila elektrodi. Jumla ya vipengele 2142 vilipatikana kutoka elektrodi 63. Kisha watafiti waliunda uwakilishi tofauti wa data katika aina tatu: muundo wa awali uliotumia vipengele vyote 2142, muundo uliopunguzwa hadi vipengele 686 kwa Particle Swarm Optimization (PSO), na muundo uliobakiza vipengele 20 tu kwa evolutionary search.

Katika seti ya data ya awali, usahihi wa juu zaidi wa mafunzo/uthibitishaji uliripotiwa kuwa %99,13 ± 0,44 kwa modeli ya SVM-RBF, %99,23 ± 0,38 baada ya PSO, na %93,91 ± 1,10 kwa Random Forest 500 baada ya evolutionary search. Katika hatua tofauti ya majaribio, usahihi wa mbinu hizo tatu ulikuwa %94,77, %96,71 na %95,44 mtawalia.

Matokeo yanaashiria kwamba vipengele vya EEG vinaweza kubeba taarifa ya kutofautisha kati ya makundi ya ASC na ya aina ya neva ya kawaida, na kwamba uteuzi wa vipengele unaweza kupunguza sana data yenye vipimo vingi huku ukihifadhi utendaji wa uainishaji. Hata hivyo, utafiti unategemea washiriki watu wazima 56 pekee, hauna uthibitishaji wa nje wa kujitegemea wa vituo vingi, na haujaribu moja kwa moja utambuzi wa mapema kwa watoto. Kwa hiyo, mbinu hii inapaswa kutathminiwa si kama zana ya utambuzi iliyothibitishwa inayochukua nafasi ya utambuzi wa kliniki wa usonji, bali kama mbinu ya uchunguzi ya EEG–ujifunzaji wa mashine kwa tafiti kubwa zaidi.

Kwa nini EEG inaweza kutumika katika utafiti wa usonji?

Elektroensefalografia hupima mabadiliko ya muda katika shughuli za umeme za ubongo kwa kutumia elektrodi zilizowekwa kwenye ngozi ya kichwa. EEG haipimi moja kwa moja “ishara ya usonji”; huzalisha mfululizo changamano wa muda unaotokana na shughuli za umeme zinazotokea kwa wakati mmoja katika mitandao mbalimbali ya neva.

Kwa mtazamo wa ujifunzaji wa mashine, swali ni hili:

Je, katika muundo wa kitakwimu na wa spektra wa ishara za EEG za kundi la ASC kuna ruwaza zinazoweza kutofautishwa kwa utaratibu na udhibiti wa aina ya neva ya kawaida?

Badala ya kuingiza ishara ghafi ya EEG moja kwa moja kwenye modeli ya ujifunzaji wa kina, utafiti huu kwanza uliibadilisha kuwa vipengele vya nambari vinavyoweza kufafanuliwa, kisha ukatumia algoriti za kawaida za ujifunzaji wa mashine.

Ni Data Gani za EEG Zilitumika Katika Utafiti?

Utafiti unatumia seti ya data ya EEG “Electrophysiological Signatures of Brain Aging in Autism Spectrum Disorder” iliyotolewa wazi kwa umma na University of Sheffield.

Katika rekodi nyingi ilitumika mpangilio wa sensa 64. Kwa kuwa baadhi ya rekodi zilikuwa na sensa 128, zilifanywa ziwe thabiti kwa ajili ya uchanganuzi.

Je, Usemi “Utambuzi wa Mapema” Katika Makala Unamaanisha Kwamba Utambuzi wa Mapema wa Usonji kwa Watoto Umeonyeshwa?

Hapana. Washiriki katika seti ya data iliyotumika ni watu wazima wenye umri wa miaka 18–68. Utafiti haukufanya jaribio la kimbele la utambuzi wa mapema kwa watoto, watoto wachanga au watu ambao bado hawajapata utambuzi wa kliniki.

Kwa hiyo, “early detection” katika kichwa cha makala inapaswa kusomwa katika muktadha wa lengo la baadaye na uwekaji wa kimetodolojia. Kile ambacho jaribio la sasa linaonyesha moja kwa moja ni kwamba rekodi za EEG za watu wazima wa ASC na wa aina ya neva ya kawaida zilizowekwa lebo mapema zinaweza kuainishwa kwa usahihi wa juu kwa baadhi ya modeli za ujifunzaji wa mashine.

Vituo vya EEG Vilivyokosekana Vilijazwaje?

Mojawapo ya matatizo makuu katika seti ya data ni kwamba baadhi ya rekodi za EEG zina vituo vya elektrodi vilivyokosekana.

Watafiti walitumia nafasi za kijiometri za elektrodi kichwani kuhesabu umbali wa Euclidean kati ya vituo:

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

Kisha ishara ya kituo kilichokosekana ilikadiriwa kutoka kwenye michango ya vituo jirani vilivyopo iliyowekewa uzito kulingana na umbali.

Mchakato huu haurudishi elektrodi iliyokosekana kwa kipimo halisi. Unakadiria kihisabati kituo kilichopotea kulingana na ishara zilizopo zinazokizunguka.

Ishara za EEG Zilibadilishwaje Kuwa Vipengele?

Ishara za EEG zilizofanyiwa uchakataji wa awali zilitumia GNU Octave 8.2.0 na:

kugawanywa katika madirisha ya sekunde 2

.

Madirisha yanayofuatana:

yanapishana kwa sekunde 0,5.

Katika kila dirisha, vipengele 34 vilitolewa kutoka kila elektrodi.

Vipengele vya kitakwimu

• wastani,
• variansi,
• vipimo vya muhtasari kama mkengeuko sanifu.

Vipengele vya kikoa cha muda

• waveform length,
• zero crossing,
• vigezo vya Hjorth.

Vipengele vya masafa na taarifa

• nguvu ya wastani,
• peak frequency,
• Shannon entropy.

elektrodi 63 × vipengele 34:

\[ 63 \times 34 = 2142 \]

viliunda nafasi ya awali ya vipengele yenye vipimo hivyo.

Particle Swarm Optimization Inafanya Nini Hapa?

Particle Swarm Optimization (PSO), ni mbinu ya uboreshaji inayotegemea idadi ya suluhisho na imechochewa na tabia ya pamoja kama kundi la ndege au samaki.

Katika utafiti huu, jukumu la PSO si kuainisha ASD moja kwa moja.

PSO:

kuchagua kutoka vipengele 2142 vya EEG seti ndogo yenye manufaa zaidi kwa uainishaji

ilitumika kwa kusudi hilo.

Matokeo yake:

vipengele 2142 → 686

vilibaki huku utendaji wa uainishaji ukihifadhiwa, na hata usahihi bora wa wastani ukaongezeka kidogo.

Evolutionary Search Ilibadilisha Nini?

Njia ya pili ya uteuzi wa vipengele ilikuwa evolutionary search.

Mbinu hii ilipunguza nafasi ya vipengele kwa ukali zaidi:

vipengele 2142 → 20

Hii inamaanisha kwamba takriban chini ya %1 ya vipengele vya awali vilihifadhiwa.

Ingawa baada ya upunguzaji mkubwa kama huu usahihi bora wa wastani ulipungua kutoka karibu %99 hadi karibu %94, utendaji wa juu wa uainishaji bado ulipatikana kwa vipengele 20 pekee.

Matokeo haya yanavutia hasa kwa maendeleo ya mifumo yenye gharama ndogo zaidi za ukokotoaji katika siku zijazo.

Ni Modeli Gani za Ujifunzaji wa Mashine Zilijaribiwa?

Watafiti walilinganisha familia mbalimbali za modeli:

• Bayes Net,
• Naive Bayes,
• Random Tree,
• Random Forest — miti 10,
• Random Forest — miti 100,
• Random Forest — miti 500,
• Linear SVM,
• Polynomial SVM shahada 2,
• Polynomial SVM shahada 3,
• modeli za SVM zenye mipangilio tofauti ya RBF.

Mafunzo na tathmini ya modeli yalifanywa katika mazingira ya WEKA 3.9.6.

Mbinu na Matokeo ya Utafiti

Mpangilio wa majaribio

Kwa uwakilishi wote watatu wa data:

1. wa awali,
2. PSO,
3. evolutionary search

modeli za ujifunzaji wa mashine zilifunzwa kila moja kivyake.

Data ziligawanywa kuwa %80 mafunzo/uthibitishaji na %20 majaribio.

Katika hatua ya mafunzo:

• 10-fold cross-validation,
• marudio huru 30

yalitumika.

Utendaji:

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

ulipimwa kwa kutumia vipimo hivyo.

Data ya awali yenye vipengele 2142

Matokeo ya juu zaidi ya mafunzo/uthibitishaji yalipatikana kwa modeli ya SVM-RBF:

Random Forest 500 pia ilipata usahihi wa %98,54 ± 0,54.

Vipengele 686 kwa PSO

Baada ya PSO, modeli yenye nguvu zaidi ilikuwa SVM-RBF:

Matokeo haya ni muhimu hasa kwa sababu idadi ya vipengele:

kutoka 2142 hadi 686

ilipungua bila kupunguza utendaji.

Vipengele 20 pekee kwa evolutionary search

Katika seti hii ya data, Random Forest ilitoa matokeo bora zaidi kuliko SVM.

Random Forest 500:

Kwa hiyo, ingawa ukubwa wa data ulipunguzwa kutoka takriban vipengele elfu mbili hadi ishirini pekee, utendaji wa uainishaji haukupotea kabisa.

Je, Usahihi wa %99,23 ni Utendaji wa Kliniki wa Modeli?

Hapana. Thamani ya %99,23 ni matokeo ya wastani ya hatua ya mafunzo/uthibitishaji kwenye data iliyofanyiwa uteuzi wa vipengele kwa PSO, ikijumuisha marudio 30 na 10-fold cross-validation.

Katika data ya mwisho ya majaribio iliyotengwa, matokeo ni ya chini zaidi.

Kwa hiyo, headline sahihi kwa mtazamo wa Verianla ni:

“PSO-SVM ilipata usahihi wa %96,71 katika sampuli za majaribio zilizotengwa za utafiti.”

.

Kwa Nini PSO Ilitoa Matokeo Muhimu?

PSO haikutoa ongezeko dogo la utendaji pekee; mchango wake mkuu ulikuwa kupunguza kwa kiasi kikubwa ukubwa wa data.

Kwa hivyo, utafiti unaonyesha sehemu tatu tofauti za utendaji kati ya idadi ya vipengele na utendaji.

Je, Matokeo Haya Yanamaanisha Kwamba Tatizo la Kutambua Usonji kwa EEG Limetatuliwa?

Hapana.

Utafiti:

• unategemea washiriki watu wazima 56,
• unatumia chanzo kimoja cha data ya wazi,
• unafanya kazi na lebo za makundi mawili ASC/aina ya neva ya kawaida,
• haufanyi uthibitishaji wa nje katika kohorti huru ya hospitali au nchi nyingine,
• haufanyi majaribio ya utambuzi wa mapema kwa watoto wachanga au watoto.

Kwa hiyo, alama za juu za uainishaji hazithibitishi kwamba utambuzi wa kliniki wa ASD unaweza kufanywa kwa EEG na akili bandia pekee.

Hitimisho finyu zaidi linaloungwa mkono na utafiti ni hili:

Vipengele vilivyotolewa kutoka seti hii ya data ya EEG ya watu wazima ya Sheffield vina ishara yenye nguvu ya kitakwimu inayoweza kutofautisha rekodi za ASC na za aina ya neva ya kawaida kwa modeli zilizochaguliwa za ujifunzaji wa mashine.

Kwa Nini Ugawaji Katika Madirisha ni Muhimu Katika Kutafsiri Matokeo?

Rekodi ya EEG ya sekunde 150 ya kila mshiriki iligawanywa katika madirisha mengi ya sekunde 2 yanayopishana.

Hili lina matokeo muhimu:

Idadi ya sampuli katika mfumo wa ujifunzaji wa mashine ni kubwa sana kuliko watu 56; hata hivyo, idadi ya watu huru kibayolojia bado ni 56.

Makala inaeleza mgawanyo wa mafunzo/majaribio, lakini maelezo ya mbinu yaliyochapishwa hayaonyeshi wazi kwamba madirisha yote yaligawanywa kwa makundi kulingana na utambulisho wa mshiriki.

Kwa hiyo, katika uthibitishaji wa baadaye:

• participant-wise train/test split,
• leave-one-subject-out validation,
• kohorti huru ya nje,
• vifaa na vituo tofauti vya EEG

ni muhimu hasa.

Hoja hii ya kimetodolojia haisemi kwamba thamani zilizoripotiwa ni makosa; inaonyesha kwamba bado hatujui kwa uhakika kiwango ambacho thamani hizo zinaweza kujumlishwa kwa watu wapya.

Vikwazo Vikuu vya Utafiti ni Vipi?

• Jumla ya washiriki ni 56 pekee.
• Washiriki ni watu wazima wenye umri wa miaka 18–68; utambuzi wa mapema kwa watoto haujajaribiwa moja kwa moja.
• Chanzo kimoja cha data cha kituo kimoja/cha wazi kilitumika.
• Utofauti wa kliniki wa wigo wa ASC umerahisishwa ndani ya lebo ya makundi mawili.
• Hakuna uthibitishaji wa nje wa kujitegemea wa vituo vingi.
• Vituo vya EEG vilivyokosekana vilijazwa kihisabati kwa interpolation.
• Kuna utofauti katika uwekaji wa elektrodi na mpangilio wa kurekodi.
• Madirisha mengi ya EEG yanayopishana hayaongezi idadi ya washiriki huru.
• Katika maelezo ya mbinu yaliyochapishwa, undani wa mgawanyo wa data katika kiwango cha mshiriki hauko wazi vya kutosha.
• Matokeo hayajajaribiwa kwa mtazamo wa mbele kama zana ya utambuzi wa kliniki.

Marekebisho ya 2026 Yalibadilisha Nini Katika Makala?

Correction rasmi iliyochapishwa tarehe 20 May 2026 haikubadilisha mbinu au matokeo ya kisayansi.

Marekebisho yalishughulikia mapungufu matatu makuu:

1. Taarifa ya Institutional Review Board iliongezwa.
2. Informed Consent Statement iliongezwa.
3. Rejeleo la chanzo lililokosekana la seti ya data ya EEG ya University of Sheffield liliongezwa katika sehemu za Database na Data Availability.

Kwa mujibu wa marekebisho, data ilitolewa kutoka hazina ya wazi ya University of Sheffield ORDA; utafiti haukukusanya data mpya na haukutumia taarifa binafsi zinazoweza kumtambua mtu. Watafiti wa seti ya data ya awali walipata ridhaa yenye taarifa kutoka kwa washiriki kwa ajili ya kushiriki data.

Mchapishaji na waandishi walisema kwamba marekebisho hayakuathiri matokeo ya kisayansi ya utafiti.

Maelezo ya Chanzo na Mbinu

Maudhui haya ya Verianla yaliandaliwa kwa kujitegemea kwa kutathmini kwa pamoja utafiti asilia wa Flávio Secco Fonseca na wenzake wenye kichwa 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 pamoja na Correction rasmi iliyochapishwa mwaka 2026 kwa makala hii.

Utafiti asilia ulichapishwa katika jarida la AI Sensors mwaka 2025, Juzuu 1, Makala 3. DOI: 10.3390/aisens1010003.

Chanzo kilichopakiwa si utafiti asilia wenyewe, bali ni AI Sensors 2026, Juzuu 2, Makala 5, Correction rasmi. Correction DOI: 10.3390/aisens2020005.

Marekebisho yaliongeza IRB, informed consent na taarifa za marejeleo za seti ya data ya EEG ya University of Sheffield iliyotumika, na yakasema kwamba matokeo ya kisayansi hayakubadilika.

Katika utafiti, rekodi za EEG za watu wazima 56 kutoka seti ya data ya University of Sheffield zilitumika. Makundi yalikuwa na 28 Autism Spectrum Conditions na 28 wa udhibiti wa aina ya neva ya kawaida.

Baada ya uchakataji wa awali, ishara za EEG ziligawanywa katika madirisha ya sekunde 2 yanayopishana kwa sekunde 0,5, na vipengele 34 vilitolewa kutoka kila elektrodi. Vipengele 2142 vilivyotokana na elektrodi 63 vilipunguzwa hadi 686 kwa PSO na hadi 20 kwa evolutionary search.

Katika seti za data za awali na PSO, modeli zilizofaulu zaidi katika mafunzo/uthibitishaji zilikuwa SVM-RBF; katika seti ya evolutionary search, ilikuwa Random Forest 500. Katika hatua tofauti ya majaribio, usahihi wa juu zaidi ulikuwa %96,71 kwa mbinu ya PSO-SVM.

Thamani hizi si usahihi wa utambuzi wa kliniki wa kujitegemea wa vituo vingi. Sampuli ni ndogo, washiriki ni watu wazima, na utafiti haujathibitisha utambuzi wa mapema wa ASD kwa watoto kwa mtazamo wa mbele. Matokeo yanapaswa kutathminiwa kama ushahidi wa uchunguzi kwa ajili ya kuchunguza vipengele vya EEG kwa ujifunzaji wa mashine.

Utafiti uliungwa mkono na CNPq, FACEPE, CAPES na FINEP. Kwa mujibu wa Correction, data iliyochanganuliwa ilikuwa wazi kwa umma na imeondolewa utambulisho; ridhaa ya washiriki ilipatikana kwa kushiriki data ya awali.